Chương III

Lôgic cho môi trường thông tin không chắc chắn

Mở đầu

Trong Chương I và II, chúng ta đã nghiên cứu lôgic mệnh đề và lôgic vị từ, trong đó các
mệnh đề có giá trị chân lý chính xác hoặc “đúng”, ký hiệu là I, hoặc “sai”, ký hiệu là O. Tuy
nhiên, trong lập luận hàng ngày của chúng ta các mệnh đề không chỉ nhận các giá trị chân lý
I hoặc O như vậy. Chẳng hạn khi chúng ta mới nhận được một tin tức nói rằng “Cháu bé
Nguyễn Trường An là thần đồng” vì mới 2 tuổi đã biết đọc và nhận biết các chữ số. Câu này
khổng thể nói nó có giá trị chân lý I hay O và chắc rằng sẽ có nhiều chính kiến khác nhau về
sự kiện cháu An có thực sự là thần đồng hay không. Có một điều chắc chắn rằng cháu An có
những nhăng lực khác biệt với các cháu bé cùng lứa tuổi và do đó ta có thể gán cho câu trên
một độ tin cậy hay mức độ chân lý đúng sai nhất định, chẳng hạn cấu đó có giá trị chân lý
“có thể đúng”, một khái niệm có ngữ nghĩa “mờ” (vague).
Như vậy, chúng ta thấy trong ngôn ngữ tự nhiên có những thông tin, khái niệm (concepts)
có ngữ nghĩa không chính xác, mơ hồ, không chắc chắn. Những thông tin, khái niệm tuy
không chính xác như vậy nhưng lại có vai trò quan trọng trong hoạt động tồn tại và phát triển
của con người. Chúng ta đều nhận thấy trong thực tiễn nhận thức và tư duy, con người nhận
biết, trao đổi thông tin, lập luận bằng ngôn ngữ của mình. Ngôn ngữ của bất kỳ một dân tộc
nào, dù phong phú đến đâu, cũng chỉ chứa đựng một số hữu hạn các ký hiệu (âm thanh, ký
tự, …), nhưng lại phải phản ảnh một số vô hạn các sự vật hiện tượng trong tự nhiên và trong
xã hội. Như là một hệ quả, rất nhiều khái niệm trong một ngôn ngữ tự nhiên phải biểu thị
nhiều sự vất hiện tượng khác nhau, t.l. ngữ nghĩa của nó không duy nhất, không chính xác.
Như vậy, một cách tất yếu là trong ngôn ngữ hàm chứa những thông tin, khái niệm được gọi
là mờ, không chính xác (imprecise), không chắc chắn (uncertainty).
Ví dụ, trong một điều kiện cụ thể nào đó ta có thể nói, tốc độ của xe máy là nhanh hay
chậm. Khái niệm nhanh hay chậm có ngữ nghĩa không chính xác vì, chẳng hạn, khái niệm
nhanh sẽ biểu thị vô số các giá trị tốc độ thực của xe máy, chẳng hạn từ 45 – 65 km/giờ, đối
với tốc độ của xe mô tô, được cộng đồng hiểu là nhanh. Nhưng nếu nói đến tốc độ như vậy
của một cụ 70 tuổi lái mô tô thì có thể được hiểu là quá nhanh. Hoặc nếu nói về tốc độ của
xe máy điện, thì khái niệm nhanh có thể được hiểu là tố độ thực chỉ khoảng từ 20 – 30
km/giờ.
Một bạn đọc nào đó có thể chưa đồng tình với cách hiểu như trên về khái niệm nhanh, và
chính điều đó chỉ ra rằng nhanh có ngữ nghĩa mơ hồ, không chính xác hay không chắc chắn.
Nhưng điều gì sẽ xảy ra nếu ngôn ngữ tự nhiên của chúng ta chỉ chứa những khái niệm
chính xác, chắc chắn? Khi đó chúng ta chỉ nhận thức được một phần nhỏ của thế giới thực
chúng ta đang sống. Điều đó chứng tỏ tầm quan trọng của những thông tin, khái niệm mờ,
không chính xác hay không chắc chắn, và để cho gọn chúng ta gọi chúng là các khái niệm
mờ hoặc không chắc chắn. Khái niệm mờ và không chắc chắn trong giáo trình này được hiểu
là hai khái niệm đồng nghĩa.

Đối tượng nghiên cứu của chương này chính là các câu có chứa những khái niệm mờ
được gọi là các mệnh đề mờ. Hệ lôgic như là cơ sở toán học của các phương pháp lập luận
trên các mệnh đề mờ được gọi là lôgic mờ.
1
 Vì sự tồn tại của khái niệm mờ trong ngôn ngữ tự nhiên là một thực tế khách quan và do
bản thân các khái niệm như vậy chưa được hình thức hóa thành một đối tượng toán học, nên
trước hết chúng ta hãy nghiên cứu các cách mô hình hóa toán học các khái niệm mờ, hay các
khái niệm mờ sẽ được biểu diễn bằng các đối tượng toán học nào. Sau đó chúng ta sẽ thiết
lập cấu trúc toán học của các đối tượng như vậy. Trên các cấu trúc như vậy, chúng ta hy vọng
sẽ xây dựng các cấu trúc lôgic mờ và các phương pháp lập luận để mô phỏng các cách thức
mà con người vẫn lập luận.

3.1. Tập mờ và thông tin không chắc chắn

L.A. Zadeh là người sáng lập ra lý thuyết tập mờ với hàng loạt bài báo mở đường cho sự
phát triển và ứng dụng của lý thuyết này, khởi đầu tà bài báo “Fuzzy Sets” trên Tạp chí
Information and Control, 8, 1965. Ý tưởng nổi bật của khái niệm tập mờ của Zadeh là từ
những khái niệm trừu tượng về ngữ nghĩa của thông tin mờ, không chắc chắn như trẻ, nhanh,
cao-thấp, xinh đẹp …, ông đã tìm ra cách biểu diễn nó bằng một khái niệm toán học, được
gọi là tập mờ, như là một sự khái quát trực tiếp của khái niệm tập hợp kinh điển.

Để dễ hiểu chúng ta hãy nhớ lại cách nhìn khái niệm tập hợp kinh điển như là khái niệm
các hàm số.
Cho một tập vũ trụ U. Tập tất cả các tập con của U ký hiệu là P(U) và nó trở thành một
đại số tập hợp với các phép tính hợp , giao , hiệu \ và lấy phàn bù –, (P(U), , , \, –).
Bây giờ mỗi tập hợp A  P(U) có thể được xem như là một hàm số A : U  {0, 1} được xác
định như sau:
A(a) =

1 khi x  A
1 1
 A ( x)  

0 khi x  A
A(b) = 0
Mặc dù A và A là hai đối tượng toán học hoàn
toàn khác nhau, nhưng chúng đều biểu diễn cùng 0 U
a b
một khái niệm về tập hợp: x  A iff A(x) = 1,
hay x thuộc vào tập A với “độ thuộc vào” bằng 1. Vì vậy, hàm A được gọi là hàm đặc trưng
của tập A. Như vậy tập hợp A có thể được biểu thị bằng một hàm mà giá trị của nó là độ
thuộc về hay đơn giản là độ thuộc của phần tử trong U vào tập hợp A: Nếu A(x) = 1 thì x  A
với độ thuộc là 1 hay 100% thuộc vào A, còn nếu A(x) = 0 thì x  A hay x  A với độ thuộc
là 0 tức là độ thuộc 0%.

Trên cách nhìn như vậy, chúng ta hãy chuyển sang việc tìm kiếm cách thức biểu diễn ngữ
nghĩa của khái niệm mờ, chẳng hạn, về lứa tuổi “trẻ”. Giả sử tuổi của con người nằm trong
khoảng U = [0, 120] tính theo năm. Theo ý tưởng của Zadeh, khái niệm trẻ có thể biểu thị
bằng một tập hợp như sau: Xét một tập hợp Atrẻ những người được xem là trẻ. Vậy, một câu
hỏi là “Một người x có tuổi là n được hiểu là thuộc tập Atrẻ như thế nào?” Một cách chủ quan,
chúng ta có thể hiểu những người có tuổi từ 1 – 25 chắc chắn sẽ thuộc vào tập hợp Atrẻ, tức là
với độ thuộc bằng 1; Nhưng một người có tuổi 30 có lẽ chỉ thuộc vào tập Atrẻ với độ thuộc
0,6 còn người có tuổi 50 sẽ thuộc vào tập này với độ thuộc 0,0 … Với ý tưởng đó, ngữ nghĩa
của khái niệm trẻ sẽ được biểu diễn bằng một hàm số trẻ : U  [0, 1], một dạng khái quát
trực tiếp từ khái niệm hàm đặc trưng A của một tập hợp kinh điển A đã đề cập ở trên.
2
 Một câu hỏi tự nhiên xuất hiện là tai sao người có tuổi 30 có lẽ chỉ thuộc vào tập Atrẻ với
độ thuộc 0,6 mà không phải là 0,65? Trong lý thuyết tập mờ chúng ta không có ý định trả lời
câu hỏi kiểu như vậy mà ghi nhận rằng tập mờ của một khái niệm mờ phụ thuộc mạnh mẽ
vào chủ quan của người dùng hay, một cách đúng đắn hơn, của một công đồng, hay của một
ứng dụng cụ thể. Khía cạch này cũng thể hiện tính không chính xác về ngữ nghĩa của các
khái niệm mờ. Tuy nhiên, thực tế này không ảnh hưởng đến khả năng ứng dụng của lý thuyết
tập mờ vì mỗi giải pháp dựa trên lý thuyết tập mờ cũng chỉ nhằm vào một miền ứng dụng cụ
thể trong đó các khái niệm mờ trong ứng dụng (hay trong cộng đồng sử dụng ứng dụng đó)
sẽ có ý nghĩa chung thống nhất.

Khái niệm tập hợp mờ

Định nghĩa 3.1. Cho một tập vũ trụ U. Tập hợp A được xác định bởi đẳng thức
A = {  A~ (u ) /u : u  U, A(u)  [0, 1]} (3.1-1)
được gọi là một tập hợp mờ trên tập U. Biến u lấy giá trị trong U được gọi là biến cơ sở và vì
vậy tập U còn được gọi là tập tham chiếu hay miền cơ sở. Hàm  A~ : U  [0, 1] được gọi
là hàm thuộc (membership function) và giá trị  A~ (u ) tại u được gọi là độ thuộc của phần tử
u thuộc về tập hợp mờ A. Nếu không gây nhầm lẫn, hàm thuộc  A~ cũng được ký hiệu là
A(.), nếu biến cơ sở u không biểu thị hiển, hay A(u), nếu biến u xuất hiện hiển.

Lưu ý rằng vế phải của (3.1-1) là một tập kinh điển và do đó định nghĩa trên là chỉnh.

Họ tất cả các tập mờ trên miền cơ sở U được ký hiệu là F(U)., t.l.

F(U) = {  A~ : U  [0, 1]} = [0, 1]U

Có nhiều cách biểu diễn hình thức một tập mờ. Trong trường hợp U là một tập hữu hạn,
đếm được hay vô hạn liên tục, tập mờ (3.1-1) có thể được biểu diễn bằng các biểu thức hình
thức như sau:
- Trong trường hợp U hữu hạn, U = {ui : 1 ≤ i ≤ n}, ta có thể viết

A = A(u1)/u1 + A(u2)/u2 + ... + A(un)/un hay A = 

1i n
 A (ui ) / ui
~

Trong trường hợp này tập mờ được gọi là tập mờ rời rạc (discrete fuzzy set).

- Trong trường hợp U là vô hạn đếm được, U = {ui : i = 1, 2, …}, ta có thể viết

A =  1i 
 A (ui ) / ui
~

- Trong trường hợp U là vô hạn liên tục, U = [a, b], ta có thể viết
b

A = 
a
A~
(u ) / u

3
 Lưu ý rằng các biểu thức trên chi có tính hình thức, các phép cộng +, phép tổng  và
phép lấy tích phân đều không có nghĩa theo quy ước thông thường. Tuy nhiên cách biểu diễn
như vậy sẽ rất tiện dụng khi định nghĩa và thao tác các phép tính trên các tập mờ sau này.

Tập lát cắt và giá của tập mờ

Ơ trên chúng ta thấy khai niệm tập mờ là một sự khái quát trực tiếp, đẹp đẽ của khái niệm
tập kinh điển. Điều này cho phép hy vọng nó sẽ đặt cơ sở cho mối liên hệ chặt chẽ giữa hai
khái niệm tập hợp này. Để dẫn đến việc nghiên cứu đó, trước hết chúng ta đưa ra khái niệm
tập lát cắt  của một tập mờ.

Định nghĩa 3.2. Cho một tập mờ A~ trên tập vũ trụ U và   [0, 1]. Tập lát cắt  (hoặc
+) của tập A~ là một tập kinh điển, ký hiệu là A~ (hoặc A  ), được xác định bằng đẳng
~

thức sau:
A~ = {u  U :  A~ (u )   } (hoặc A  = {u  U :  A~ (u)   }).
~

Như vậy, mỗi tập mờ A~ sẽ cảm sinh một họ các tập kinh điển, t.l. ta có ánh xạ

h : A~  F(U)  { A~  P(U): 0    1} (3.1-2)

Để đơn giản ký hiệu, ta viết họ các tập kinh điển như vậy bằng h(A~) = { A~ : 0    1},
A~  F(U). Họ các tập hợp như vậy có các tính chất sau:

Định lý 3.1-1. Cho A~, B~  F(U), h là ánh xạ được cho trong (3.1-2) và h(A~) = { A~ : 0
   1}, h(B~) = { B : 0    1}. Khi đó,
~

(i) Mỗi họ h(A~) như vậy là dãy đơn điệu giảm, t.l. nếu  <  , thì A~  A~ ;
(ii) Nếu A~  B~ thì { A~ : 0    1}  { B~ : 0    1}.
Nghĩa là tồn tại một song ánh từ họ các tập mờ F(U) vào họ của những họ tập kinh điển
P(U) ở dạng (3.1-2).

Chứng minh: Tính chất (i) dễ dàng rút ra từ tính chất (A(u)    A (u)  ).
Để chứng minh (ii), giả sử A  B, t.l. uU(A(u)  B(u)). Để định ý, ta giả sử rằng có
u0  U sao cho A(u0) > B(u0). Chọn   [0, 1] sao cho A(u0) >  > B(u0). Điều này khẳng
định u0  A nhưng u0  B~ hay A  B~ . Vậy, { A~ : 0    1}  { B~ : 0    1}.
~ ~

Hiển nhiên là nếu A~ = B~ thì { A~ : 0    1} = { B~ : 0    1}. Như vậy ta đã chứng
tỏ rẳng ánh xạ h là song ánh. 

Một số khái niệm đặc trƣng của tập mờ

Định nghĩa 3.3. (i) Giá của tập mờ: Giá của tập mờ A~, ký hiệu là Support(A~), là tập con
của U trên đó  A~ (u )  0, t.l. Support(A~) = {u :  A~ (u ) > 0}.

4
 (ii) Độ cao của tập mờ: Độ cao của tập mờ A~, ký hiệu là hight(A~), là cận trên đúng của
hàm thuộc  A~ trên U, t.l. hight(A~) = sup{  A~ (u ) : u  U}.
(iii) Tập mờ chuẩn (normal): Tập mờ A~ được gọi là chuẩn nếu hight(A~) = 1. Trái lại,
tập mờ được gọi là dƣới chuẩn (subnormal).
(iv) Lõi của tập mờ: Lõi của tập mờ A~, ký hiệu là Core(A~), là một tập con của U được
xác định như sau:
Core(A~) = {u  U:  A~ (u ) = hight(A~)}.

Bây giờ chúng ta sẽ lấy một số ví dụ về việc biểu diễn ngữ nghĩa của các khái niệm mờ
thuộc các lĩnh vực khác nhau bằng tập mờ.

Ví dụ 3.1-1. Giả sử U là tập vũ trụ về số đo nhiệt độ thời tiết, chẳng hạn U = [0, 50] tính
theo thang độ C. Chúng ta sẽ xác định tập mờ biểu thị khái niệm mờ thời tiết NÓNG và
LẠNH. Trong ví dụ này ta sử dụng một hàm số mẫu, gọi là S-hàm vì đó thị của nó có hình
chữ S. Chúng ta ký hiệu hàm này là S(u, a, b, c), trong đó a, b và c là những tham số. Nó là
hàm từng khúc bậc 2 và được định nghĩa như sau:

S(u, a, b, c) = 0 đối với u  a

ua
2

= 2  đối với a  u  b
ca 
u c
2

= 1  2  đối với b  u  c (3.1-3)

ca
= 1 đối với c  u

Hàm thuộc A~(u) = S(u, 15, 25, 35) là khái niệm thời tiết NÓNG của người Lạng Sơn ở
cực Bắc nước ta, còn hàm thuộc B~(u) = S(u, 25, 35, 45) là khái niệm NÓNG của người Sài
Gòn (xem Hình 3-1).
Với hai tập mờ này ta có: Support(A~) = [15, 50], Support(B~) = [25, 50], Hight(A~) =
Hight(B~) = 1, Core(A~) = [35, 50] và Core(B~) = [45, 50].
Hàm thuộc biểu thị khái niệm mờ LẠNH được xác định qua hàm thuộc NÓNG bằng biểu
thức sau:
A’~(u) = 1  A~(u) và B’~(u) = 1  B’~(u)

Ví dụ này thể hiện tính chủ quan về ngữ nghĩa của khai niệm mờ và do đó thể hiện tính tự
do trong việc xây dựng các hàm thuộc. Tình 1,0
huống tương tự như vậy khi ta nói đến khái niệm
A’~(u) B~(u)
cao của giới nữ và giới nam, hay khái niệm cao
của người Việt Nam và người Châu Âu.
A~(u) B’~(u)
Ví dụ 3.1-2. Tập mờ hình chuông: Người ta
có thể biểu diễn ngữ nghĩa của khái niệm mờ trời 0 15 25 35 45 50
mát mẻ hay dễ chịu bằng hàm dạng hình chuông
như sau: Hình 3-1: Hàm thuộc của tập mờ NÓNG
và LẠNH
exp ( ((u  u0)/b)2)

5
 Chúng ta có thể chấp nhận hàm chuông trong 1,0
Hình 3-1 là biểu thị ngữ nghĩa của khái niệm nhiệt
D~(u)
độ DỄ CHỊU và khi đó tập mờ D~ có dạng:

D~(u) = exp ( ((u  24)/10)2)

Ví dụ 3.1-3. Ta sẽ đưa ra một ví dụ về tập mờ rời 0 15 25 35 45 50

rạc (discrete fuzzy set). Xét U là tập các giá trị trong
Hình 3-2: Hàm thuộc của tập mờ
thang điểm 10 đánh giá kết quả học tập của học sinh
DỄ CHỊU
về môn Toán, U = {1, 2, …, 10}. Khi đó khái niệm
mờ về năng lực học môn toán giỏi có thể được biểu thị bằng tập mờ G~ sau:

G~ = 0,1/4 + 0,2/5 + 0,4/6 + 0,7/7 + 0,9/8 + 1,0/9 +1,0/10 (3.1-4)

ở đây các giá trị của miền U không có mặt trong biểu thức (3.1-4) có nghĩa độ thuộc của
chúng vào tập mờ G~ là bằng 0,0.

Trong trường hợp tập mờ rời rạc ta có thể biểu diễn tập mờ bằng một bảng. Chẳng hạn,
đối với tập mờ G~ ở trên ta có bảng như sau:

U 1 2 3 4 5 6 7 8 9 10
G~ 0,0 0,0 0,0 0,1 0,3 0,5 0,7 0,9 1,0 1,0

Ví dụ 3.1-4. Trong ví dụ này chúng ta sẽ xây dựng tập mờ biểu thị ngữ nghĩa của khái
niệm GIÀ và TRẺ của thuộc tính lứa tuổi.
Giả sử tập vũ trụ chỉ tuổi tính theo đơn vị năm là U = {u : 0  u  120}, chẳng hạn tuổi
của x là 8,37 năm. Khi đó khái niệm GIÀ có thể được biểu thị bằng tập mờ với hàm thuộc
như sau:

2
 u  60  1

120
GIÀ(u) = {1    } /u
0  6 

2
 u  60  1

120
TRẺ(u) = 1  GIÀ(u) = {1  {1    } }/ u
0  6 
Cần nhấn mạnh một lần nữa rằng đây là công thức hình thức biểu diễn các tập mờ. Dấu
tích phân chỉ có nghĩa miền xác định U của hàm thuộc là vô hạn continuum, t.l. tập hợp có
lực lượng tương đương với đoạn [0, 1].

Ví dụ 3.2-5. Tập rời rạc trên miền phi số: Trong thực tế ứng dụng người ta cũng hay sử
dụng tập mờ trên miền phí số, chẳng hạn, miền giá trị ngôn ngữ. Ví dụ, ta xét biến ngôn ngữ
NHIỆT ĐỘ có thể xem như xác định trên miền 3 giá trị ngôn ngữ U = {Thấp, Trung-bình,
Cao}. Khi đó, một tập mờ rời rạc T~ trên miền U có thể được biểu thị như sau:

T~ = 1/Thấp + 2/Trung-bình + 3/Cao

Chẳng hạn Trời-mát có thể biểu thị bằng tập mờ như sau:

6
 Trời-mát = 0,7/Thấp + 0,8/Trung-bình + 0,2/Cao

Đối với tập hợp kinh điển A chúng ta có khái niệm số lượng các phần tử của một tập hợp,
trong trường hợp A là hữu hạn, hay lực lượng của tập hợp, trong trường hợp A là vô hạn. Hai
tập hợp A và B có lực lượng bằng nhau nếu có tồn tại một ánh xạ 1-1 từ A lên B.
Đối với tập mờ A~, khái niệm lực lượng được khái quát hóa bằng định nghĩa sau:

Định nghĩa 3-4. Lực lƣợng của tập mờ: Cho A~ là một tập mờ trên U.
(i) Lực lƣợng vô hƣớng (scalar cardinality): Lực lượng hay bản số thực của tập A~, ký
hiệu là Count(A~), được tính theo công thức đếm sau (đôi khi được gọi là sigma count)


arith
Count(A~) =  A~ (u) , nếu U là tập hữu hạn hay đếm được
uU


arith
= A~
(u)du , nếu U là tập vô hạn continuum
U


arith


arith
ở đây và là tổng và tích phân số học.
(ii) Lực lƣợng mờ (fuzzy cardinality): Lực lượng hay bản số mờ của tập A~ là một tập mờ
trên tập các số nguyên không âm N được định nghĩa như sau:

Card(A~) = 
N Card ( A~ )
(n)dn

trong đó Card ( A~ ) (n) được xác định theo công thức sau, với | At | là lực lượng của tập mức
~

At~ ,
Card ( A~ ) (n) = suppremum {t  [0, 1]: | At~ | = n} 

Có thể xem công thức tính Count(A~) ở trên như là công thức “đếm” số phần tử trong U.
Thực vậy, nếu tập A~ trở về tập kinh điển thì A~(u)  1 trên U và do đó công thức Count(A~)
trên chính là bộ đếm số phần tử. Khi A~(u)  1, thì u chỉ thuộc về tập A~ với tỷ lệ phần trăm
bằng A~(u) và do đó phần tử u chỉ được “đếm” vào số lượng các phần tử một đại lượng bằng
A~(u).
Lưu ý rằng, khác với trường hợp tập kinh điển, dù tập U là vô hạn đếm được hay vô hạn
continuum, thì lực lượng của tập mờ A~ vẫn có thể là hữu hạn, tùy theo dáng điệu của hàm
A~(u).

3.2. Biến ngôn ngữ

Trong cơ sở dữ liệu quan hệ, các quan hệ hay các bảng dữ liệu chứa các thuộc tính hay
các tên cột. Nó chỉ tính chất của đối tượng. Các thuộc tính này cũng thể hiện trong ngôn ngữ
như để mô tả tính chất đối tượng là con người, trong ngôn ngữ tự nhiên chúng ta có những
thuộc tính TUỔI, CHIỀU CAO, LƢƠNG, NĂNG LỰC … . Các thuộc tính này có thể được
mô tả bằng giá trị ngôn ngữ như trẻ, già, rất trẻ, … Vì lý do như vậy, Zadeh gọi các thuộc
tính kiểu như vậy là biến ngôn ngữ và miền giá trị của chúng là giá trị ngôn ngữ hay gọi là
miền ngôn ngữ (linguistic domain hay term-domain). Tuy nhiên, như chúng ta đã đề cập
7
trong Mục 3.1, vì bản thân giá trị ngôn ngữ không phải là đối tượng toán học, ngữ nghĩa của
chúng được biểu thị bằng các tập mờ hay hàm thuộc. Để khái niệm biến ngôn ngữ trở thành
một khái niệm toán học, Zadeh hình thức hóa khái niệm này như sau:

Một biến ngôn ngữ X được đặc trưng bởi một bộ 5 sau:

X = (X, T(X), P, U, M(X))

trong đó:
- X là tên biến ngôn ngữ;
- T(X) là tập các từ ngôn ngữ của biến X;
- P là tập các quy tắc cú pháp sinh các từ trong T(X);
- U là tập vũ trụ hay còn gọi là miền cơ sở của biến X . Nhớ rằng F(U) là tập tất cả các
tập mờ trên miền cơ sở U, t.l. F(U) = { : U  [0, 1]} = [0,1]U;
- M(X) là ánh xạ T(X)  F(U , [0, 1]) với ý nghĩa là M(X) gán ngữ nghĩa biểu thị bằng
tập mờ cho các từ ngôn ngữ trong T(X).

Ví dụ:

3.3. Các phép tính trên tập mờ

Xét một biến ngôn ngữ X như đã được định nghĩa ở trên. Trước hết, chúng ta có nhận xét
rằng, nhìn chung, tập ảnh của tập T(X) qua ánh xạ M(X) không có cấu trức đại số, t.l. trên đó
chúng ta không định nghĩa được các phép tính trên tập mờ. Một lý do nữa làm cho chúng ta
không quan tâm đến điều này là cấu trúc đại số của tập gốc T(X) cũng chưa được phát hiện.
Trong Mục 3.n nghiên cứu về đại số gia tử chúng ta sẽ quay về vấn đề này. Trong khi chúng
ta chưa phát hiện ra cấu trúc đại số của miền T(X), trong mục này chúng ta sẽ định nghĩa trên
tập F(U, [0, 1]) một cấu trúc đại số.

Cũng cần nhấn mạnh rằng mục tiêu của lý thuyết tập mờ là mô hình hóa toán học ngữ
nghĩa của các khái niệm mờ và, quan trọng nhất, là mô hình hóa phương pháp lập luận của
con người. Đây là một vấn đề cực kỳ khó và phức tạp vì những vấn đề này thuộc loại có cấu
trúc yếu, hay khó có thể có một cấu trúc toán duy nhất mô hình hóa trọn vẹn những vấn đề
nêu trên. Như là một hệ quả, khó lòng chúng ta tìm được một cấu trúc toán học chặt chẽ, đẹp
của tập F(U, [0, 1]). Chính vì vậy chúng ta không có một ràng buộc chặt chẽ, minh bạch
trong định nghĩa các phép toán trong F(U, [0, 1]). Như chúng ta sẽ thấy dưới đây, chúng ta
có nhiều cách khác nhau để định nghĩa các phép tính và do đó nó tạo ra tính mềm dẻo, đa
dạng trong tiếp cận, thích nghi với các bài toán ứng dụng khác nhau, miễn là nó cho phép
giải quyết được các bài toán ứng dụng, đặc biệt các bài toán thuộc lĩnh vực trí tuệ nhân tạo.

Trước khi định nghĩa các phép tính trong F(U, [0, 1]), chúng ta hãy xem đoạn [0, 1] như
là một cấu trúc dàn L[0,1] = ([0, 1], , , –) với thứ tự tự nhiên trên đoạn [0, 1]. Khi đó, với
mọi a, b  [0, 1], ta có:

8
 a  b = max {a, b}, a  b = min {a, b} và – a = 1  b.

Chúng ta có thể kiểm chứng rằng L[0,1] = ([0, 1], , , –) là một đại số De Morgan, hơn
nữa nó có các tính chất sau:
(i) Các phép tính hợp  và giao  có tính giao hoán, t.l.
a  b = b  a và a  b = b  a
(ii) Các phép tính hợp  và giao  có tính chất phân phối lẫn nhau, t.l.
a  (b  c) = (a  b)  (a  c) và a  (b  c) = (a  b)  (a  c)
(iii) Tính chất nuốt (absorption) và nuốt đối ngẫu (dual absorption):
- Tính chất nuốt: a  (a  b) = a,
- Tính chất nuốt đối ngẫu: a  (a  b) = a.
(iv) Tính lũy đẳng a  a = a và a  a = a
(v) Tính chất ?? –(–a) = a
(vi) Tính đơn điệu giảm(?): a  b  –a  –b
(vii) Tính chất De Morgan: –(a  b) = –a  –b và –(a  b) = –a  –b.

Dựa trên cấu trúc L[0,1] chúng ta sẽ định nghĩa các phép tính trên tập mờ thông qua các
phép tính của dàn L[0,1].

~
3.3.1. Phép hợp 

Cho hai tập mờ A~ và B~ trên tập vũ trụ U. Hợp của hai tập mờ này là một tập mờ ký hiệu
~
là A~  B~, mà hàm thuộc của nó được định nghĩa theo điểm (pointwise) như sau:

 ~ (u)   A~ (u)   B~ (u)

A~  B ~

hay, trong trường hợp U là hữu hạn hay đếm được,

  
~ ~
A~  B~ =  (ui ) / ui 
1i  A
~
1i 
 B (ui ) / ui =
~
1i 
[ A~ (ui )   B~ (ui )] / ui

hay, trong trường hợp U là tập continuum,

  
~ ~
A~  B~ =  A (u)du 
~  B (u)du =
~ [ A~ (u)   B~ (u)]du .
uU uU uU

~
Một cách tổng quát, cho Ai  F(U), i  I, với I là tập chỉ số hữu hạn hay vô hạn nào đó.
Khi đó, hợp của các tập mờ như vậy, ký hiệu là 
iI
Ai~ , được định nghĩa bằng hàm thuộc
như sau
iI

Ai~ (u ) = Supi  I Ai (u )
~
(3.3-1)

Chúng ta sẽ cho một số ví dụ về phép tính này.

Xét tập vũ trụ U như trong Ví dụ 3.1-3 và hai tập mờ G~ và K~ được cho như trong bảng
dưới đây.

9
 Bảng 3-1: Tập mờ trên U
U 1 2 3 4 5 6 7 8 9 10
~
G 0,0 0,0 0,0 0,1 0,3 0,5 0,7 0,9 1,0 1,0
K~ 1,0 0.9 0,8 0,6 0,4 0,2 0,0 0,0 0,0 0,0

Khi sử dụng cách biểu diễn tập mờ rời rạc, hợp của hai tập mờ G~ và K~ được thực hiện
như sau:

~
G~  K~ = (0,0/1 + 0,0/2 + 0,0/3 + 0,1/4 + 0,3/5 + 0,5/6 + 0,7/7 + 0,9/8 +1,0/9 + 1,0/10)
~
 (1,0/1 + 0,9/2 + 0,8/3 + 0,6/4 + 0,4/5 + 0,2/6 + 0,0/7 + 0,0/8 + 0,0/9 + 0,0/10)
= 1,0/1 + 0,9/2 + 0,8/3 + 0,6/4 + 0,4/5 + 0,5/6 + 0,7/7 + 0,9/8 + 1,0/9 + 1,0/10

Cách thực hiện phép tinh trong dàn L[0,1] theo điểm như vậy gợi ý cho chúng ta thực hiện
các phép tính như vậy ngay trên Bảng 3-1 như sau:

Bảng 3-2: Hợp hai tập mờ trên U

U 1 2 3 4 5 6 7 8 9 10
~
G 0,0 0,0 0,0 0,1 0,3 0,5 0,7 0,9 1,0 1,0
K~ 1,0 0.9 0,8 0,6 0,4 0,2 0,0 0,0 0,0 0,0
G~
~
 1,0 0,9 0,8 0,6 0,4 0,5 0,7 0,9 1,0 1,0
~
K

~
Một cách tổng quát, nếu cho trước các tập mờ Ai , i = 1, …, m, thì hợp của các tập mờ
này là tập mờ A~ được định nghĩa mở rộng bằng quy nạp và được ký hiệu là
n
~
A = i 1 Ai
~ ~

Nhận xét 3.3.1: Các hạng thức dạng (ui)/ui có thể xem là một tập mờ mà giá của nó chỉ
chứa duy nhất một phần tử ui, t.l. hàm thuộc của nó bằng 0 tại mọi u  ui và bằng (ui) tại
phần tử ui. Kí hiệu tập mờ này là (ui){ui}, t.l. tích của số vô hướng của (ui) với tập kinh
điển 1-phần tử {ui}. Khi đó, với định nghĩa phép hợp như trên, các phép cộng hình thức “+”
có thể được biểu thị bằng phép hợp, t.l. ta có, chằng hạn với U là tập hữu hạn, U = {u1, …,
un}, tập mờ A~ được biểu diễn qua phép hợp như sau:
n
~
A = i1  (ui ){ui }
~

~
Tập G~  K~ thu được có những đặc điểm sau:
~
- Support(G~  K~) = U
~
- Nó là tập mờ chuẩn vì Hight(G~  K~) = 1
~
- Core(G~  K~) = {1, 9, 10}
~
- Count(G~  K~) = 1,0 + 0,9 + 0,8 + 0,6 + 0,4 + 0,5 + 0,7 + 0,9 + 1,0 + 1,0
= 7,8
10
 ~
3.3.2. Phép giao 

Cho hai tập mờ A~ và B~ trên tập vũ trụ U. Hợp của hai tập mờ này là một tập mờ ký hiệu
~
là A~  B~, mà hàm thuộc của nó được định nghĩa theo điểm (pointwise) như sau:

 ~ (u)   A~ (u)   B~ (u)

A~  B ~

hay, trong trường hợp U là hữu hạn hay đếm được,

  
~ ~
A~  B~ =  (ui ) / ui 
1i  A
~
1i 
 B (ui ) / ui =
~
1i 
[ A~ (ui )   B~ (ui )] / ui

hay, trong trường hợp U là tập continuum,

  
~ ~
A~  B~ =  A (u)du 
~  B (u)du =
~ [ A~ (u)   B~ (u)]du .
uU uU uU

~
Một cách tổng quát, cho Ai  F(U), i  I, với I là tập chỉ số hữu hạn hay vô hạn nào đó.
Khi đó, hợp của các tập mờ như vậy, ký hiệu là  iI
Ai~ , được định nghĩa bằng hàm thuộc
như sau
iI

Ai~ (u ) = Infi  I Ai (u )
~
(3.3-2)

Chúng ta sẽ cho một số ví dụ về phép tính này.

Xét hai tập mờ G~ và K~ được cho trong Bảng 3-1. Khi sử dụng cách biểu diễn tập mờ rời
rạc, giao của hai tập mờ G~ và K~ được thực hiện như sau:

~
G~  K~ = (0,0/1 + 0,0/2 + 0,0/3 + 0,1/4 + 0,3/5 + 0,5/6 + 0,7/7 + 0,9/8 +1,0/9 + 1,0/10)
~
 (1,0/1 + 0,9/2 + 0,8/3 + 0,6/4 + 0,4/5 + 0,2/6 + 0,0/7 + 0,0/8 + 0,0/9 + 0,0/10)
= 0,0/1 + 0,0/2 + 0,0/3 + 0,1/4 + 0,3/5 + 0,2/6 + 0,0/7 + 0,0/8 + 0,0/9 + 0,0/10

Cách thực hiện phép tính trong dàn L[0,1] theo từng điểm như vậy, tương tự như trên,
chúng ta thực hiện các phép tính như vậy ngay trên Bảng 3-3 dưới đây:

Bảng 3-3: Giao của hai tập mờ trên U

U 1 2 3 4 5 6 7 8 9 10
~
G 0,0 0,0 0,0 0,1 0,3 0,5 0,7 0,9 1,0 1,0
K~ 1,0 0.9 0,8 0,6 0,4 0,2 0,0 0,0 0,0 0,0
G~
~
 0,0 0,0 0,0 0,1 0,3 0,2 0,0 0,0 0,0 0,0
~
K

~
Tập G~  K~ thu được có những đặc điểm sau:

11
 ~
- Support(G~  K~) = U
~
- Nó là tập mờ dưới chuẩn vì Hight(G~  K~) = 0,3 < 1
~
- Core(G~  K~) = {5}, tập một phần tử
~
- Count(G~  K~) = 0,1 + 0,3 + 0,2 = 0,6

3.3.3. Phép lấy phần bù ~

Xét một tập mờ A~ trên tập vũ trụ U. Phép lấy bù của tập A~, ký hiệu là ~ A~, là tập mờ
với hàm thuộc được xác định bằng đẳng thức sau:

~ A (u)  1   A (u)
~ ~

Tập mờ ~ A~ biểu diễn ở dạng công thức hình thức có dạng sau:

Trường hợp U là hữu hạn hay vô hạn đếm đƣợc

~ A~ = ~ uU  A~ (u) / u uU (1   A~ (u)) / u 

Trường hợp U là vô hạn continuum

~ A~ = 
uU
~ A (u)du = ~ 
~
uU
 A (u)du   (1   A (u))du
~
uU
~

Để lấy ví dụ. chúng ta xét hai tập mờ G~ và K~ được cho trong Bảng 3-1. Khi sử dụng
cách biểu diễn tập mờ rời rạc, phép lấy phần bù của hai tập mờ G~ và K~ được thực hiện như
sau:

~ G~ = ~ (0,0/1 + 0,0/2 + 0,0/3 + 0,1/4 + 0,3/5 + 0,5/6 + 0,7/7 + 0,9/8 +1,0/9 + 1,0/10)
= (1,0/1 + 1,0/2 + 1,0/3 + 0,9/4 + 0,7/5 + 0,5/6 + 0,3/7 + 0,1/8 +0,0/9 + 0,0/10)
còn
~ K~ = ~ (1,0/1 + 0,9/2 + 0,8/3 + 0,6/4 + 0,4/5 + 0,2/6 + 0,0/7 + 0,0/8 + 0,0/9 + 0,0/10)
= (0,0/1 + 0,1/2 + 0,2/3 + 0,4/4 + 0,6/5 + 0,8/6 + 1,0/7 + 1,0/8 + 1,0/9 + 1,0/10)

Tương tự như trên, phép lấy phần bù cũng có thể thực hiện trên bảng dữ liệu, cụ thể như
sau:

Bảng 3-4: Phần bù của tập mờ trên U

U 1 2 3 4 5 6 7 8 9 10
~
G 0,0 0,0 0,0 0,1 0,3 0,5 0,7 0,9 1,0 1,0
~
~G 1,0 1,0 1,0 0,9 0,7 0,5 0,3 0,1 0,0 0,0
K~ 1,0 0.9 0,8 0,6 0,4 0,2 0,0 0,0 0,0 0,0
~
~K 0,0 0,1 0,2 0,4 0,6 0,8 1,0 1,0 1,0 1,0

12
 3.3.4. Phép tổng và tích đại số của các tập mờ

- Phép cộng đại số hai tập mờ: Cho hai tập mờ A~ và B~ trên tập vũ trụ U. Tổng đại số của
hai tập mờ này là một tập mờ, ký hiệu là A~  B~, được định nghĩa bởi đẳng thức sau:

Trong trường hợp U là hữu hạn hay vô hạn đếm được,

A~  B~ = uU [ A~ (u)  B~ (u)   A~ (u). B~ (u)] / u ,

Trong trường hợp U là vô hạn continuum,

A~  B~ =  [ A~ (u)   B~ (u)   A~ (u). B~ (u)]du .
uU

Lưu ý rằng giá trị biểu thức  A~ (u)   B~ (u)   A~ (u). B~ (u) luôn luôn thuộc [0, 1] và do
đó các định nghĩa của phép tính  trên là đúng đắn.

- Phép nhân đại số hai tập mờ: Nhân đại số hai tập mờ A~ và B~ là một tập mờ, ký hiệu là
A~  B~, được xác định như sau:

Trong trường hợp U là hữu hạn hay vô hạn đếm được,

A~  B~ = uU  A~ (u). B~ (u) / u ,

Trong trường hợp U là vô hạn continuum,

A~  B~ =   A~ (u). B~ (u)du .
uU

Sau đây, để cho gọn, chúng ta chỉ biểu diễn phép tính cho trường hợp U là vô hạn
continuum vì đối với các trường hợp còn lại việc biểu diễn hoàn toàn tương tự với một sự
thay đổi nhỏ.

3.3.5. Phép tập trung hay phép co (concentration)

Cho tập mờ A~ trên U. Phép tập trung tập mờ A~ là tập mờ, ký hiệu là CON(A~ ), được
định nghĩa như sau:

CON(A~) =  uU
 A (u)du = (A~), với  > 1
~

Vì  > 1 nên  A~ (u ) <  A~ (u ) và do đó miền giới hạn bởi hàm  A~ (u ) sẽ nằm trọn trong
miền giới hạn bởi hàm  A~ (u ) , t.l. hàm thuộc  A~ (u ) của tập mờ bị co lại sau phép tập
trung. Nói khác đi tập mờ CON(A~) biểu thị một khái niệm đặc tả hơn khái niệm gốc biểu thị
bởi tập mờ A~ (xem Hình 3-3). Về trực quan chúng ta thấy khái niệm mờ càng đặc tả thì nó
càng chính xác hơn, ít mờ hơn và gần giá trị kinh điển hơn.

Thông thường người ta sử dụng phét tập trung để biểu thị ngữ nghĩa tác động của gia tử
rất (very) vì ngữ nghĩa, chẳng hạn, của khái niệm rất trẻ là đặc tả hay ít mờ hơn so với khái
niệm trẻ.

13
 3.3.6. Phép dãn (Dilation)

Ngược với phép tập trung là phép dãn. Phép dãn khi tác động vào một tập mờ A~, ký hiệu
là DIL(A~), được xác định bởi đẳng thức sau:
1,0
 A~ (u )
  A~ (u )
 ~ 
~
DIL(A ) =  A~ (u)du = (A ) , với  < 1
uU
 A~ (u )

Trong trường hợp này ta thấy  A~ (u ) >  A~ (u ) và
do đó phép dãn sẽ làm hàm thuộc của tập mờ đó dãn 0 15 25 35 45 50
nở ra, t.l. hàm thuộc của tập mờ thu được sẽ xác
Hình 3-3: Phép tập trung
định một miền thực sự bao hàm miền giới hạn bởi
hàm thuộc của tập mờ gốc. Trên Hình 3-3, ta thấy

đường cong nét chấm biểu thị hàm thuộc  A~ (u ) còn đường cong nét liền biểu thị hàm thuộc
 A (u ) . Ngữ nghĩa của khái niệm mờ biểu thị bởi tập mờ kết quả ít đặc tả hơn hay ngữ nghĩa
~

của nó càng mờ hơn.

Ngược với hay đối ngẫu với việc sử dụng phép CON, phép DIL được sử dụng để biểu thị
ngữ nghĩa của gia tử có thể hay xấp xỉ vì ngữ nghĩa của khái niệm có thể trẻ ít đặc tả hơn hay
tính mờ của nó lớn hơn.

Ví dụ: Xét tập vũ trụ U = {1, 2, …, 8} và hai tập mờ A~ và B~ trên U được cho như sau:

A~ = 0,8/3 + 1,0/5 + 0,6/6 và B~ = 0,7/3 + 1,0/4 + 0,5/6

Khi đó ta có:

A~  B~ = 0,94/3 + 1,0/4 + 1,0/5 + 0,8/6

A~  B~ = 0,56/3 + 0,30/6

CON(A~) = 0,64/3 + 1,0/5 + 0,36/6 , với  = 2.

DIL(A~) = 0,8 /3 + 1,0/5 + 0,6 /6 , với  = 1/2

3.3.7. Tích Đề-ca-tơ các tập mờ

Cho Ai là tập mờ của tập vũ trụ Ui, i = 1, 2, …, n. Tích Đê-ca-tơ của các tập mờ Ai~ , i =
1, 2, …, n, ký hiệu là A1  A2  … An hay  i 1 Ai , là một tập mờ trên tập vũ trụ
~ ~ ~ n ~

U1U2…Un được định nghĩa như sau:

A1~  A2~  … An~ = 

U1... U n
 A1 (u1 )  ...  An (u n ) /(u1 ,...,u n )

14
 Ví dụ: Cho U1 = U2 = {1, 2, 3} và 2 tập mờ

A~ = 0,5/1 + 1,0/2 + 0,6/3 và B~ = 1,0/1 + 0,6/2

Khi đó,

A ~  B ~ = 0,5/(1,1) + 1,0/(2,1) + 0,6/(3,1) + 0,5/(1,2) + 0,6/(2,2) + 0,6/(2,3)

Một ví dụ ứng dụng của tích Đê-ca-tơ là kết nhập (aggreegation) các thông tin mờ về các
thuộc tính khác nhau của một đối tượng. Ví dụ, trong các hệ luật của các hệ trợ giúp quyết
định hay hệ chuyên gia, hệ luật trong điều khiển thường có các luật dạng sau đây:

Nếu X1 := A1~ and X2 := A2~ and … and Xn := An~ thì Y := B~

trong đó các Xi là các biến ngôn ngữ (vì giá trị của nó là các ngôn ngữ được xem như là nhãn
của các tập mờ) và Ai là các tập mờ trên miền cơ sở Ui của biến Xi. Hầu hết các phương pháp
giải liên quan đến các luật nếu-thì trên đều đòi hỏi việc tích hợp các dữ liệu trong phần tiền
tố “nếu” nhờ toán tử kết nhập, một trong những toán tử như vậy là lấy tích Đề-ca-tơ A1~  A2~
 … An~ .

3.3.8. Phép tổ hợp lồi (convex combination)

Cho Ai~ là tập mờ của tập vũ trụ Ui tương ứng với biến ngôn ngữ Xi, i = 1, 2, …, n, và wi
 (0, 1], là các trong số về mức độ quan trọng tương đối của biến Xi so với các biến khác, i =
1, 2, …, n, và thỏa ràng buộc  wi  1 . Khi đó tổ hợp lồi của các tập mờ Ai~ , i = 1, 2, …,
n

i 1

n, là một tập mờ A xác định trên U = U1U2…Un, hàm thuộc của nó được định nghĩa như
~

sau:


n
 A~ (u1 ,...,u n )  wi  A~ (ui )
i 1 i

trong đó  là tổng số học (chứ không phải là tổng hình thức).

Phép tổ hợp lồi thường được sử dụng để biểu thị ngữ nghĩa của gia tử kiểu “cốt yếu”
(essentially) hay “đặc trưng” hay “đặc tính tiêu biểu” (typically). Ví dụ, khái niệm mờ về
người “To lớn” được biểu thị một cách cốt yếu từ ngữ nghĩa của các khái niệm người Cao và
Béo. Như vậy ngữ nghĩa của “To lớn” có thể biểu thị qua ngữ nghĩa của “Cao” và của “Béo”
thông qua phép tổ hợp lồi.
Cụ thể, giả sử ngữ nghĩa của các tập mờ Béo trên miền U1 = [40, 100] theo đơn vị kg và
của Cao trên miền U2 = [50, 220] với đơn vị cm được biểu thị như sau:

1
  u  40  2 

100
1     du1
1
Béo = 40   30  

15
 1
  u  140  2 

100
1     du 2
2
Cao = 40   30  

Khi đó, tập mờ To-lớn được biểu thị nhờ phép tổ hợp lồi sau:

  0,6 Béo (u1 )  0,4Cao (u 2 )du1du 2

100 220
To-lớn = 0,6 Béo + 0,4 Cao =
40 50

Chẳng hạn, ta có:

To-lớn(70,170) = 0,60,5 + 0,40,5 = 0,5
To-lớn(80,170) = 0,60,64 + 0,40,5 = 0,584
To-lớn(70,180) = 0,60,5 + 0,40,64 = 0,556

3.3.9. Phép mờ hóa (Fuzzification)

Việc mờ hóa có hai bài toán:

(i) Tìm tập mờ biểu thị một tập kinh điển hay, một cách tổng quát hơn, hãy mờ hóa một
tập mờ đã cho A~;
(ii) Tìm độ thuộc của giá trị ngôn ngữ của một biến ngôn ngữ tương ứng với một dữ liệu
đầu vào là thực hoặc mờ.

(i) Theo nghĩa thứ nhất ta định nghĩa phép mờ hóa như sau:

Phép mờ hóa F của một tập mờ A~ trên tập vũ trụ U sẽ cho ta một tập mờ F(A~, K~) được
xác định theo công thức sau:

F(A~, K~) = 
U A~
(u) K ~ (u )du

trong đó K~(u) là một tập mờ trên U, u  U, được gọi là nhân (kernel) của F.
Nếu  A~ (u ) là hàm thuộc của tập kinh điển 1-phần tử {u}, t.l.  A~ (u ) chỉ bằng 1 tại
phần tử u còn lại là bằng 0 hay ta có tập “mờ” {1/u}, thì ta có

F({1/u}, K~) = K~(u)

Nếu A~ là tập kinh điển A, t.l.  A (u)  1 trên A và bằng 0 ngoài A, thì mờ hóa của A với
nhân K~(u) sẽ là tập mờ sau:

K
~
F(A, K~) = (u )du
A

Ví dụ, cho hai tập mờ A~ và K~ trên U như sau:

U = {a, b, c, d}, A~ = 0,8/a + 0,6/b ,

K (a) = 1,0/a + 0,4/b và K~(b) = 1,0/b + 0,4/a + 0,4/c
~

16
 Khi đó
F(A~, K~) = 0,8(1,0/a + 0,4/b) + 0,6(1,0/b + 0,4/a + 0,4/c)
= 0,8/a + 0,32/b + 0,6/b + 0,24/a + 0,24/c
= (0,8  0,24)/a + (0,32  0,6)/b + 0,24/c
= 0,8/a + 0,6/b + 0,24/c

Người ta cho rằng phép mờ hóa như trên có vai trò quan trong trong biểu diễn ngữ nghĩa
của các gia tử như ít nhiều (more or less), một chút hay hơi (slightly), nhiều (much). Chẳng
hạn, với khái niệm mờ giỏi chỉ về NĂNG LỰC của chuyên viên, thì khái niệm hơi giỏi có thể
được biểu thị bằng phép mờ hóa tác động vào tập mờ biểu diễn khái niệm giỏi.

(ii) Bài toán mờ hóa thứ 2 được giới hạn trong trường hợp tập vũ trụ là tập hữu hạn các
giá trị ngôn ngữ.
Cụ thể bài toán mờ hóa trong trường hợp này như sau: Giả sử T là tập các giá trị ngôn
ngữ của một biến ngôn ngữ X nào đó với miền cơ sở U. Cho một tập kinh điển hoặc tập mờ
A~ trên U. Hãy tìm tập mờ trên miền T biểu thị tập mờ A~ hay, một cách tương đương, hãy
tìm độ thuộc của giá trị  trong T tương ứng với dữ liệu đầu vào A~.
Chẳng hạn, ta xét biến NHIỆT ĐỘ thời tiết với T = {Thấp, Trung-bình, Cao} với không
gian cơ sở là [0, 100] theo thang độ C. Vấn đề là cần xác định độ thuộc hay giá trị chân lý TV
của mệnh đề A~ :=  ,   T, với := được hiểu là Thấp
1 Tr-bình
“xấp xỉ bằng”. Cụ thể chúng ta cần xác định giá
trị chân lý như sau:
0,5 A~
(Thấp) = TV(A := Thấp)
~

(Tr-bình) = TV(A~ := Tr-bình) Cao

(Cao) ~
= TV(A := Cao)
0,0 100
Việc xác định giá trị chân lý này được tiến Hình 3-4. Các hàm thuộc của biến
hành như sau (xem Hình 3-4): Chúng ta lần theo NHIỆT ĐỘ
~
đồ thị của hàm thuộc của tập mờ đầu vào A sẽ thấy nó cắt đồ thị của hàm thuộc Thấp ở giá
trị 0,52. Giá trị này biểu thị độ phù hợp nhất của tập mờ A~ biểu diễn qua tập mờ hay khái
niệm mờ Thấp là 0,52. Tương tự, đồ thị của A~ sẽ cắt đồ thị của tập mờ Tr-bình ở hai giá trị
0,34 và 0,82 và do đó độ phù hợp nhất của việc biểu diễn ngữ nghĩa của A~ qua khái niệm mờ
Tr-bình là giá trị 0,82 lớn hơn. Cũng như vậy, độ phù hợp của A~ biểu thị qua khái niệm Cao
là 0,18. Như vậy, việc mờ hóa sẽ đưa việc biểu diễn tập mờ A~ trên U thành tập mờ trên tập
các giá trị ngôn ngữ T sau:

NHIỆT_ĐỘ(A~) = 0,54/Thấp + 0,82/Tr-bình + 0,18/Cao (3.3-3-1)

3.3.10. Phép khử mờ

Trong điều khiển mờ cũng như trong lập luận trong các hệ chuyên gia với các luật tri
thức mờ, dữ liệu đầu ra nhìn chung đều là những tập mờ. Thực tế chúng ta cũng thường gặp
nhu cầu chuyển đổi dữ liệu mờ đầu ra thành giá trị thực một cách phù hợp. Phương pháp
chuyển đổi như vậy được gọi là phương pháp khử mờ (defuzzification). Nhu cầu này thường
gặp nhất trong điều khiển mờ vì đầu ra đòi hỏi là giá trị thực để tác động vào một quá trình
thực nào đó.

17
 Giả sử dữ liệu đầu ra được biểu diễn ở dạng (3.3-1) với các tập mờ của các giá trị ngôn
ngữ được biểu thị trong Hình 3-4.
Trước khi trình bày một số phương pháp khử mờ, chúng ta hãy đưa ra phương pháp biến
đổi để tính hàm thuộc của tập mờ được biểu diễn bằng biểu thức dạng (3.3-1). Trước hết ta
nhớ lại rằng tập mờ với hàm thuộc có dạng (u)  a, a  [0, 1], được ký hiệu là aU, t.l. nó là
tích của số vô hướng a và tập kinh điển U. Khi đó, hạng thức trong (3.3-1), chẳng hạn
0,54/Thấp, sẽ được hiểu là biểu thức 0,54U AND Thấp, trong đó Thấp là nhãn của tập mờ
với hàm thuộc được cho trong Hình 3-4. Từ Nhận xét 3.3.1, chúng ta có thể hiểu các phép
cộng hình thức “+” sẽ là phép OR mà ngữ nghĩa của nó là phép  trong dàn L([0,1]).
Có nhiểu cách biểu thị ngữ nghĩa phép AND và phép OR trên đoạn [0, 1]. Một cách tổng
quát, ta có thể chọn một cặp đối ngẫu t-norm và t-conorm bất kỳ mà chúng sẽ được đề cập
đến sau này khi nói về các đại số liên hợp tập hợp
1 Thấp
mờ để biểu thị ngữ nghĩa của hai phép AND và Tr-bình
OR. Dưới đây ta sẽ chọn ngữ nghĩa của AND là
phép Min, và OR là phép Max. Trong Hình 3-5 ta 0,5 A~
có các kết quả của việc thức hiện phép AND cho
từng hạng tử trong công thức (3.3-1): hạng tử thứ Cao
nhất được biểu thị bằng hình thang thứ nhất với
chiều cao là 0,54; hạng tử thứ hai được biểu thị 0,0 100
bằng hình thang thứ hai ở giữa, với chiều cao Hình 3-5. Các hàm thuộc của 3
0,82; hạng tử thứ ba được biểu thị bằng hình hạng tử trong (3-5)
thang bên phải với chiểu cao là 0,18.
Hình 3-6 biểu thị kết quả của phép OR của 3 1
hạng tử với ngữ nghĩa được biểu thị trong Hình 3-
5.
0,5
Như vậy, bất kỳ một tập mờ nào được cho ở
dạng công thức (3.3-1) chúng ta đều có thể biển
đổi về tập mờ có dạng ở Hình 3-6.
0,0 100
Bây giờ bài toán khử mờ được cụ thể hóa
Hình 3-6. Hàm thuộc hợp của 3
bằng bài toán cho trước một tập mờ với hàm
hạng tử trong (3-5)
thuộc được biểu thị bằng đồ thị, chẳng hạn như
trong Hình 3-6. Hãy xác định phương pháp biến đổi tập mờ đó về một giá trị thực thuộc miền
cơ sở U. Với ví dụ đang xét, ta có biến NHIỆT ĐỘ với U = [0, 100] theo thang độ C.
Thường chúng ta có nhiều cách để giải bài toán khử mờ. Chúng ta không có những ràng
buộc chặt chẽ nào về việc định nghĩa một phương pháp khử mờ. Bất kỳ nhà nghiên cứu ứng
dụng nào cũng có thể đưa ra một định nghĩa về một phương pháp khử mờ, miễn là nó phù
hợp với một ứng dụng nào đó hay nó phù hợp với một ý tưởng nào đó về ngữ nghĩa của phép
khử mờ. Tuy nhiên, về trực quan chúng ta có thể đưa ra những yêu cầu để một phương pháp
khử mờ được xem là tốt. Hellendoorn, H. and C. Thomas năm 1993 đã đưa rư 5 tiêu chuẩn
trực quan sau. (i) Tính liên tục, nghĩa là một sự thay đổi nhỏ của dữ liệu đầu vào của phương
pháp nó cũng chỉ tạo ra nhứng thay đổi nhỏ ở dữ liệu đầu ra; (ii) Tính không nhập nhằng
(disambiguity), nghĩa là phương pháp chỉ sinh ra một giá trị đầu ra duy nhất; (iii) Tính hợp lý
(plausibility) đòi hỏi rằng giá trị đầu ra phải nằm ở vùng trung tâm của tập mờ và độ thuộc
hay giá trị hàm thuộc tại đó phải lớn (không nhất thiết lớn nhất); (iv) Độ phức tạp tính đơn
giản (computational simplicity), một đòi hỏi tự nhiên và (v) Tính trọng số của phƣơng pháp
(weighting method) đòi hỏi phương pháp tính đến trọng số hay “sự ưu tiên” của các tập mờ

18
kết quả đầu ra (đối với trường hơp bài toán cho nhiều kết quả đầu ra như đối với một số
phương pháp lập luận mờ đa điều kiện).
Nói chung, chúng ta có thể hiểu các tiêu chuẩn cần bảo đảm giá trị khử mờ của tập mờ A~
là phận tử thực đại diện một cách hợp lý của A~.

Sau đây chúng ta nghiên cứu một vài phương pháp khử mờ.

(1) Phƣơng pháp cực đại trung bình (average maximum)

Cho tập mờ A~ với hàm thuộc  A~ . Gọi umin và umax tương ứng là hai giá trị nhỏ nhất
và lớn nhất của miền cơ sở U mà tại đó hàm thuộc  A~ nhận giá trị lớn nhất (t.l. cực đại toàn
phần). Ký hiệu giá trị khử ở của A~ theo phương pháp cực đại trung bình là DAv-max(A~). Khi
đó DAv-max(A~) được định nghĩa như sau:

u min u max
DAveMax(A~) = (3.3-2)
2

Ý tưởng của phương pháp này là chúng ta chỉ quan tâm đến các giá trị của U mà tại đó nó
phù hợp hay tương thích với ngữ nghĩa của tập mờ A~ nhất, t.l. tại đó độ thuộc là cực đại toàn
phần. Những giá trị khác của U mà tại đó độ thuộc nhỏ hơn 1 đều bị bỏ qua. Vì vậy, một khả
năng lựa chọn giá trị khử mờ là giá trị trung bình của giá trị nhỏ nhất và giá trị lớn nhất tại đó
độ thuộc vào tập mờ là lớn nhất. Đó chính là lý do người ta gọi phương pháp khử mờ này là
phƣơng pháp cực đại trung bình.
Ví dụ trên Hình 3-6, hàm thuộc  A~ đạt cực đại toàn phần trên đoạn [41, 59] và, do đó,
chúng ta ta có:
41  59
DAveMax(A~) =  50 .
2

(2) Phƣơng pháp cực đại trung bình có trọng số

Ý tưởng của phương pháp này là tìm những đoạn tại đó hàm thuộc  A~ đạt cực đại địa
phương. Nghĩa là tại các giá trị của miền cơ sở mà độ thuộc của chúng đạt cựu đại địa
phương. Nói khác đi các giá trị đó của U thuộc về tập mờ A~ với độ tin cậy có độ trội nhất.
Các giá trị như vậy cần được tham gia “đóng góp” vào việc xác định giá trị khử mở của tập
A~ với trọng số đóng góp chính là độ thuộc của chúng vào tập A~. Chúng ta chọn cách đóng
góp như vậy bằng phương pháp lấy trung bình có trọng số (weighted average maxima
method). Vì vậy cách tính giá trị khử mờ của tập mờ A~ như sau:
- Xác định các giá trị của U mà tại đó hàm thuộc  A~ đạt giá trị cực đại địa phương. Ký
hiệu umini và umaxi là giá trị lớn nhất và nhỏ nhất trong các giá trị của U mà tại đó hàm
thuộc đạt cực đại địa phương. Giá trị trung bình cộng của umini và umaxi sẽ được ký hiệu là
uavemaxi, trong đó chỉ số i chỉ nó là giá trị tương ứng với giá trị cực đại địa phương thứ i.
- Giả sử hàm thuộc  A~ có m giá trị cực đại địa phương, i = 1, 2, …, m. Khi đó giá trị
khử mờ của tập mờ A~ được tính theo công thức trung bình cộng có trọng số như sau:

 (uave max i )uave max i


m
Dw-AveMax = (3.3-3)
i 1

m
 (uave max i )
i 1

19
 Ví dụ, chúng ta xét tập mờ A~ được cho trong Hình 3-6. Hàm thuộc  A~ đạt cực đại địa
phương trên hai đoạn thẳng, đoạn [0, 23] và đoạn [41, 59]. Do đó, theo công thức (3.3-2),
uavemax1 = (0 + 23)/2 = 11,5 và uavemax2 = (41 + 59)/2 = 50. Theo công thức (3.3-3) chúng
ta có:
 (11,5)11,5   (50)50 0,54  11,5  0,82  50 47,21
Dw-AveMax =    34,71
 (11,5)   (50) 0,54  0,82 1,36

(3) Phƣơng pháp trọng tâm

Trong hai phương pháp trên, người ta chỉ quan tâm đến giá trị của miền U mà tại đó hàm
thuộc đạt cực đại, còn các giá trị khác đều bị bỏ qua. Như vậy có vẻ “thiếu bình đẳng”.
Phương pháp trọng tâm (centroid method hay centre of gravity) xuất phát từ ý tưởng mọi giá
trị của U đền được đóng góp với trong số vào việc xác định giá trị khử mờ của tập mờ A~, ở
đây trọng số của nó là độ thuộc của phần tử thuộc vào tập mờ A~.
Theo nghĩa thông thường của trọng tâm, công thức tính giá trị khử mờ có dạng sau:
b

DCentroid(A ) = ~  u (u)du
a
(3.3-4)
b
  (u)du
a

Ví dụ, ta tính giá trị khử mờ theo phương pháp trong tâm của tập mờ trong Hình 3-6.
Theo công thức (3.3-4-8) ta tính:

100 23 25 41 59

0
u (u )du = 0
0,54 * udu +  ( 501 u  1)udu +  ( 501 u )udu +  0,82udu
23 25 41
91 100
+  ( 501 u  2)udu +  0,18udu
59 91
= 142,83 + 24,946 + 355,306 + 738,0 + 1145,386 + 154,71 = 2561,178

100

0
 (u )du = 12,42 + 1,04 + 10,56 + 14,76 + 10,56 + 10,88 + 1,44 = 61,66

2561,178
Do đó, DCentroid(A~) = = 41,537.
61,66

3.3.11. Nguyên lý thác triển và số học các số mờ

3.3.11.1. Nguyên lý thác triển

Vấn đề được đặt ra là cho một tập mờ A trên không gian U và một quan hệ kinh điển 
trên U  V (hay nó cũng là một ánh xạ đa trị từ U sang V), liệu tập mờ A sẽ cảm sinh một tập
mờ B nào trên V nhờ “thông tin” từ quan hệ ?

Nguyên lý thác triển (extension principle) cho ta một quy tắc xác định tập mờ B dựa trên
các thông tin mà quan hệ  cung cấp. Nguyên lý này được phát biểu như sau:

20
 Cho  là một quan hệ kinh điển trên U  V. Với v  V, ta ký hiệu

-1(v) = {u  U: (u, v)}

Khi đó, mối tập mờ A trên U sẽ cảm sinh một tập mờ B trên V nhờ quan hệ  với hàm thuộc
B(v) được tính theo công thức sau:

B(v) = sup u 1 (v )  A (u) .

Ta cho một vài ví dụ về ứng dụng của nguyên lý thác triển trên.

Ví dụ 3.3.11.1. Người ta thường biểu diễn khái niệm chân lý như là một tập mờ trên U =
[0,1], chẳng hạn hàm thuộc True của khái niệm True được cho trong Hình 3-7. Thông
thường, phần bù của tập mờ True biểu thị phép phủ định và do đó đường cong gạch từng
đoạn biểu thị khái niểm False. Về trực quan quan sát trên Hình 3-7 chúng ta thấy không hợp
lý.
Bây giờ chúng ta định nghĩa khái niệm phủ định bằng việc áp dụng nguyên lý thác triển.
Trong lôgic đa trị với miền giá trị chân lý trên đoạn [0,1], phép
phủ định là 1-, t.l.  t = 1 – t. nó xác định một ánh xạ  từ [0,1]
vào [0,1]. Theo nguyên lý thác triển, tập mờ True sẽ cảm sinh
tập mờ cũng trên [0,1], chính là tập mờ False, với hàm thuộc là False True

False(t) = sup s 1 (t ) True (s) = sup s{1t} True (s)

= True(1 – t)
Hình 3-7
Hàm thuộc này là đường cong đối xứng với True qua đường thẳng s = 0,5 và nó biểu thị
khái niệm False một cách hợp lý hơn.

Ví dụ 3.3.11.2. Bây giờ ta xét một ví dụ phức tạp hơn về việc áp dụng nguyên lý thác
triển. Xét không gian U = R, tập tất cả các số thực và phép tính 2-ngôi a * b trên các số thực.
Phép tính này xác định một quan hệ hai ngôi, hơn nữa nó xác định một ánh xạ : R  R  R.
Do đó, theo nguyên lý thác triển, mỗi cặp tập mờ A và B trên R sẽ cảm sinh một tập mờ C
cũng trên R nhờ ánh xạ  với hàm thuộc được xác định như sau:

C(t) = sup ( a,b) 1 (t )  A (a)   B (b) = sup a*bt  A (a)   B (b) (3.3-5)

Về hình thức hóa, công thức trên rõ ràng và dễ hiểu, nhưng về tính toán nó lại rất phức
tạp: cho trước hai hàm thuộc A(a) và B(b) chúng ta khó có thể tính toán cụ thể được hàm
thuộc C(t) dựa theo công thức trên.

Để khắc phục khó khăn tính toán này, chúng ta ứng dụng cấu trúc số học trên các khoảng,
cụ thể trên các tập mức hay lát cắt của tập mờ.

3.3.11.2. Số học các khoảng và ứng dụng đối với nguyên lý thác triển

21
 Trước hết chúng ta khảo sát lại công thức (3.3-5) dựa trên các tập mức. Chúng ta biết
rằng có một tương ứng 1-1 giữa tập mờ A trên U và họ đơn điệu giảm các tập mức {A :  
(0, 1]}, t.l.  <   A  A. Vì vậy thay vì tính trực tiếp hàm thuộc của một tập mờ, ta tính
họ các tập mức. Đặc biệt trong trường hợp rời rạc hóa, số tập mức như vậy chỉ hữu hạn. Để
cho gọn, ta ký hiệu giá của tập mờ A là A(0), t.l. A(0) = {u  U: A(u) > 0}.

Giả thiết rằng ta chỉ xét các tập mờ mà hàm thuộc của chúng liên tục.

Để phân tích công thức (3.3-5) trên quan điểm tập mức một cách cụ thể, ta giả thiết phép
* là phép + số học trên R. Ta sẽ chứng tỏ rằng

C = A + B = {a + b: a  A & b  B} (3.3-6)

Thực vậy, giả sử t  C, t.l. C(t)  . Từ (3.3-5), ta suy ra A(a)   và B(b)   với ít
nhất một cặp (a, b) sao cho a + b = t. Nghĩa là, ta có C  {a + b: a  A & b  B}. Ngược
lại, dễ dàng thấy rằng với mọi cặp (a, b) sao cho a  A & b  B, thì A(a)  B(b)   và
do đó, theo (3.3-5), với t = a + b, ta có C(t)   hay a + b  C. Như vậy chúng ta đã
chứng minh công thức (3.3-6) là đúng.

Tương tự như vậy chúng ta có thể thiết lập các công thức tương tự như (3.3-6) cho các
phép tính số học khác.

Với giả thiết các hàm thuộc của các tập mờ được xét A là chuẩn, tức là high(A) = 1 hay A1
 , và liên tục, các tập mức đều là các đoạn thẳng. Khi đó, công thức (3.3-6) có nghĩa đoạn
C là tổng của 2 đoạn A và B. Như vậy, (3.3-6) dẫn đến việc nghiên cứu số học các khoảng
đóng.

Xét họ các khoảng đóng, giới nội trên tập số thực R, ký hiệu là họ Intvl(R).

Ta định nghĩa các phép tính số học trên các khoảng như vậy như sau. Gọi * là phép tính
2-ngôi bất kỳ trên số thực R, t.l. * có thể là phép cộng (+), phép trừ (–), phép nhân (.) và phép
chia (/) số học, thì nó sẽ cảm sinh một phép tính trên Intvl(R) cũng được ký hiệu là phép * và
được định nghĩa như sau:
[a, b]  [c, d] = {u  v : u  [a, b] & v  [c, d]} (3.3-7)

với giả thiết rằng nếu  là phép chia thì ta giả thiết đoạn [c, d] không chứa phần tử 0 của R.
Từ (3.3-7) ta dễ dàng suy ra các công thức sau

[a, b] + [c, d] = [a + b, c + d]

[a, b] – [c, d] = [a – b, c – d]

[a, b] / [c, d] = [a, b] . [1/d, 1/c]

[a, b] . [c, d] = [e, f], với e = min {ac, ad, bc, bd} còn f = max {ac, ad, bc, bd}

22
Lưu ý rằng vì mỗi số a, b, c và d có thể âm hoặc dương nên ta phải tính min, max để xác định
đầu mút của khoảng kết quả của phép nhân.

Trở lại với nguyên lý thác triển đối với ánh xạ xác định bởi phép tính số học  trên số
thực với tập mờ cảm sinh được tính trên các tập mức như ở dạng công thức (3.3-6). Nếu các
tập mờ A và B là chuẩn và liên tục, thì tất cả các tập mức A và B đều là các khoảng đóng
giới nội, t.l. chúng là các phần tử của Intvl(R) và do đó các công thức ở dạng (3.3-6) đều
được tính toán dựa trên số học các khoảng.

3.3.11.3. Số mờ và số học các số mờ

Xét tập mờ A trên tập các số thực R. Về nguyên tắc, không có ràng buộc chặt đối với việc
xây dựng các tập mờ để biểu thị ngữ nghĩa của các khái niệm ngôn ngữ. Tuy nhiên, để đơn
giản trong xây dựng các tập mờ và trong tính toán trên các tập mờ, người ta đưa ra khái niệm
tập mờ có dạng đặc biệt, gọi là số mờ để biểu thị các khái niệm mờ về số như gần 10, khoảng
15, lớn hơn nhiều so với 10, …

Số mờ là tập mờ có các đặc điểm sau:

- Nó là tập mờ chuẩn, tức là high(A) = 1;

- Mọi tập mức A,   (0,1], là các khoảng đóng;
- support(A) là tập giới nội hay nó là một đoạn hữu hạn.

Trong nhiều tài liệu nghiên cứu và trong ứng dụng, người ta thường sử dụng các số mờ
đặc biệt, gọi là các số mờ tam giác hay hình thang (xem Hình 3-8).

Các phép tính số học trên số mờ

Very Very
Có hai cách định nghĩa các phép tính số small small medium large large
học trên các số mờ.

Cách thứ nhất, dựa trên công thức (3.3-5)

khi sử dụng nguyên lý thác triển.
Cách định nghĩa thứ hai, định nghĩa qua
0 100
tập mức. Vì, như trong Mục 3.3.11.2, chúng
ta đã thấy mỗi tập mờ A được xác định duy Hình 3-8: Các số mờ của
nhất bởi họ các tập mức {A :   (0,1]}. các giá trị ngôn ngữ
Khi đó ta có thể biểu diễn:

A=  ( 0,1]
A

Giả sử A =  ( 0,1]

A và B = 
( 0,1]
B và  là một phép tính số học hai ngôi nào đó

trên số thực, t.l.   {+, –, ., /}. Theo định nghĩa số mờ, A và B là các khoảng đóng giới nội
và A  B là một phéptính số học trên các khoảng. Khi đó, ta định nghĩa:

23
 AB=  ( 0,1]
A  B

Ví dụ: Cho các tập mờ A và B với các hàm thuộc sau

A(u) = 0 với u  – 1 và u > 3

= (u + 1)/2 với –1 < u  1
= (3 – u)/2 với 1 < u  1,

A(u) = 0 với u  1 và u > 5

= (u – 1)/2 với 1<u3
= (5 – u)/2 với 3 < u  5.

Khi đó, ta có thể kiểm chứng thấy rằng

A = [2 - 1, 3 - 2], và B = [2 + 1, 5  2].

và, do đó,

(A + B) = [4, 8 – 4]

(A – B) = [4 – 6, 2 – 4]

(A . B) = [– 42 + 12 – 5, 42 – 16 + 15] với   (0;0,5]

= [42 – 1, 42 – 16 + 15] với   (0,5;1]

(A / B) = [(2 – 1)/(2 + 1), (3 – 2)/(2 + 1)] với   (0;0,5]

= [2 – 1)/(5 – 2), (3 – 2)/(2 + 1)] với   (0,5;1]

Trong trường hợp đơn giản này chúng ta có thể tính các hàm thuộc kết quả và thu được

A+B(u) = 0 với u  0 và u > 8

= u/4 với 0 < u  4
= (8 – u)/4 với 4 < u  8

A-B(u) = 0 với u  6 và u > 2

= (u + 6)/4 với – 6 < u   2
= (2 – u)/4 với  2 < u  2

A.B(u) = 0 với u <  5 và u > 15

= [3 – (4 – u)1/2]/2 với 5  u < 0
= (1 + u)1/2/2 với 0  u < 1/3
= [4 – (1 + u)1/2]/2 với 3  u < 15

A/B(u) = 0 với u < 1 và u > 3

= (u + 1)/(2 – 2u) với  1  u < 0
= (5u + 1)/(2u + 2) với 0  u < 1/3
= (3 – u)/(2u + 2) với 1/3  u < 3
24
 Phƣơng trình số học mờ

Cũng như trong số học, khi chúng ta có số học các số mờ thì chúng ta có thể giải các
phương trình số học. Chúng ta sẽ thấy với biểu diễn tập mờ qua họ các tập mức, chứng ta có
thể dẽ dàng giải các phương trình số học mờ. Chúng ta hãy lấy một ví dụ.

Xét phương trình mờ

A+X=B (3.3-8)

trong đó A và B là các tập mờ còn X là tập mờ ẩn. Ta hãy tìm nghiệm X và sẽ chứng tỏ rằng
nghiệm X = A – B.

Xét tập mức mức   (0, 1] của 3 tập mờ trong (3.3-8) và đặt A = [a1, a2], B = [b1,
b2] và X = [x1, x2]. Rõ ràng ta phải có các ràng buộc sau: a1  a2, b1  b2 và x1  x2.
Từ (3.3-8) ta có

a1 + x1 = b1 và a2 + x2 = b2 và do đó x1 = b1  a1, x2 = b2  a2.

Như vậy để cho phương trình mờ (3.3-8) có nghiệm ta phải có giả thiết

(i) b1  a1  b2  a2, với mọi   (0, 1];

Ngoài ra, từ điều kiện đơn điệu giảm của họ X,  <   X  X ta suy ra x1  x1 
x2  x2. Hay, một điều kiện tồn tại nghiệm nữa là

(ii)  <   b1  a1  b1  a1  b2  a2  b2  a2 .

Vậy, với điều kiện (i) và (ii), ta có

X= ( 0,1]
X .

Một cách tương tự, phương trình mờ

A.X=B

sẽ có nghiệm với hai điều kiện sau:

(i) b1/a1  b2/a2 , với mọi   (0;1];

(ii)  <   b1/a1  b1/a1  b2/a2  b2/a2 .

3.3.12. Phép toán kết nhập

Một phép toán trên tập mờ có ý nghĩa thực tiễn quan trọng là phép kết nhập (Aggregation
Operator). Trong cuộc sống hàng ngày con người thường xuyên phải đánh giá các đối tượng
25
trên cơ sở tổng hợp các đánh giá theo từng tiêu chí đánh giá nào đó. Ví dụ, đánh giá học lực
của học sinh hay sinh viên trên cơ sở các điểm đánh giá của các môn học, hay đánh giá các
phương án đầu tư một nhà máy trên cơ sở đánh giá hiệu quả kinh tế, xã hội, … đánh giá
phương án phát triển sản phẩm của một xí nghiệp theo nhiều tiêu chí khác nhau …

Một cách hình thức, bài toán đặt ra là giả sử có n tiêu chí đánh giá Ci và mỗi tiêu chí
~
được đánh giá bằng các từ ngôn ngữ với ngữ nghĩa biểu thị bằng các tập mờ Ai , i = 1, …, n.
~
Hãy xây dựng phép tính cho phép “kết nhập” các “điểm” đánh giá Ai , i = 1, …, n.

Chúng ta sẽ xây dựng một lớp các toán tử như vậy, gọi là phép kết nhập, trên cơ sở các
tính chất trực giác quan sát được từ bản chất của việc tích hợp các ý kiến và xem chúng là
các tiên đề của phép kết nhập. Ta sẽ thấy sau này là phép kết nhập là một hàm g: [0, 1]n 
~
[0, 1]. Khi đó việc kết nhập các điểm đánh giá Ai trên không gian Ui, i = 1, …, n, sẽ là một
~
tập mờ A được xác định bằng phép kết nhập sau:

A~ (u)  g ( A1~ (u1 ), A2~ (u2 ),...,An~ (un )) , u = (u1, …, un)  U1 …Un

Như vậy, nếu chúng ta có thể phát triển một lý thuyết về các phép kết nhập, thì chúng ta
có công cụ kết nhập các ý kiến hoặc các đánh giá theo các tiêu chuẩn khác nhau.

Trước hết, một cách hình thức hóa, phép kết nhập là một hàm 2-ngôi g : [0;1]2  [0;1] có
các tính chất sau được coi là các tiên đề:

Tiên đề (Agg1). g có tính chất kết hợp, t.l. g(a, g(b, c)) = g(g(a, b), c) và do đó ta có thể
viết

g(a, b, c) = g(a, g(b, c)).

Như vậy, một hàm kết nhập g có thể mở rộng thành hàm n-ngôi

g(a1, a2, …, an): [0;1]n  [0;1]

Tiên đề (Agg2). g là phép toán lũy đẳng (idempotent), t.l.

g(a, a, …, a) = a, a  [0;1]

Ý nghĩa thực tiễn của tiên đề này là rõ ràng: nếu các ý kiến là giống nhau, thì kết quả kết
nhập phải không thay đổi.

Tiên đề (Agg2*). g thỏa điều kiên biên sau:

g(0, 0, …, 0) = 0 và g(1, 1, …, 1) = 1.

Dĩ nhiên, tiên đề này là trường hợp riêng của Tiên đề (Agg2) và do đó nó là một ràng
buộc nhẹ hơn khá nhiều Tiên đề (agg2).

26
 Tiên đề (Agg3). g là hàm liên tục.

Đòi hỏi này là tự nhiên trên thực tế: các ý kiến xấp xỉ nhau thì kết quả kết nhập cũng xấp
xỉ nhau.

Tiên đề (Agg4). g(a1, …, an, g(a1, …, an)) = g(a1, …, an)

Tiên đề (Agg4) mô tả một tính chất thực tế là nếu thêm một ý kiến mới trùng với giá trị
kết nhập các ý kiến đã có không làm thay đối giá trị kết nhập đã có.

Tiên đề (Agg5). Tính đơn điệu tăng: Với mọi cặp (a1, …, an) và (b1, …, bn) các giá trị
trong [0, 1], nếu ai  bi, với i = 1, 2, ..., n, thì

g(a1, …, an)  g(b1, …, bn).

Tiên đề (Agg6). Tính chất giao hoán: Với bất kỳ một hoán vị vị trí,  : {1, 2, …, n} 
{1, 2, …, n} của các toán hạng của phép kết nhập g(a1, …, an), chúng ta có

g(a1, a2, …, an) = g(a(1), a(2), …, a(n))

Ý nghĩa của Tiên đề (Agg6) là nó mô tả một kiểu tình huống thực tế trong đó thứ tự các ý
kiến không quan trọng trong kết nhập. Điều này cũng hợp lý trong một lớp các bài toán ứng
dụng. Tuy nhiên, từ một cách nhìn khác, một câu hỏi đặt ra là liệu ta có thể bỏ yêu cầu này
không? Câu trả lời là được vì trong việc lấy quyết định tập thể trong thực tiễn nhiều khi ý
kiến đầu tiên có ảnh hưởng mạnh đến kết quả của phép kết nhập, hoặc ngược lại, trong các
tình huống khác ý kiến về cuối lại có ảnh hưởng mạnh hơn so với các ý kiến đầu. Đối với các
loại bài toán này, chúng ta có lý thuyết ccá phép kết nhập không giao hoán. Tuy nhiên, trong
giáo trình này chúng ta không đề cập đến lớp các phép tính này.

Bây giờ ta cho một số ví dụ về phép kết nhập. Do tính chất rất đa dạng của các bài toán
ứng dụng, về nguyên tắc chúng ta không nhất thiết đòi hỏi một phép kết nhập nào đó phải
thỏa mãn cả 6 tiên đề trên.

1) Hàm min và max: Giả sử g(a1, a2) = Min {a1, a2} (hay g(a1, a2) = a1  a2)
Do tính kết hợp của phép Min, ta có thể dễ dàng mở rộng hàm này thành phép n-ngôi:
g(a1, a2, …, an) = Min {a1, a2, …, an}.

Ben cạnh hàm Min, xét hàm Max h(a1, a2) = Max {a1, a2} (hay h(a1, a2) = a1  a2)
Tương tự, do tính kết hợp của phép Max, ta có thể dễ dàng mở rộng hàm này thành hàm
n-ngôi:
h(a1, a2, …, an) = Max {a1, a2, …, an}.

Dễ dàng kiểm tra hàm Min và Max thỏa tất cả các tiên đề từ (Agg1) – (Agg6).

2) Trung bình có trọng số:

WAvg(a1, a2, …, an) =  1i n

wi ai , với wi  0 và 
1i n
wi  1 .

27
 Chúng ta khảo sát các tính thỏa các tiên đề của phép kết nhập WAvg.

(a) Rõ ràng rằng phép WAvg thỏa các tiên đề lũy đẳng, liên tục và đơn điệu tăng.

(b) Bây giờ ta khảo sát tính thỏa Tiên đề (Agg4) của nó.

Định lý 3.3.12-1. Cho phép kết nhập có trọng số wAvg, nếu nó có n-đối số ta sẽ ký hiệu
nó là WAvg(a1, a2, …, an) = 1in win ai , với win  0 và 1in win  1 . Khi đó, WAvg thỏa
Tiên đề (Agg4) nếu và chỉ nếu
win1
win  , i = 1, …, n (3.3-9)
1 jn wnj1
Chứng minh: Trước hết ta giả thiết rằng phép kết nhập Wavg thỏa Tiện đề (Agg4), t.l. ta
có đẳng thức WAvg(a1, a2, …, an) = WAvg(a1, a2, …, an, WAvg(a1, …, an)), hay

 1i n
win ai  1in win1ai  wnn11 1in win ai  1in (win1  wnn11win )ai

win1 win1
Từ đẳng thức này ta suy ra win   , t.l. ta thu được (3.3-9).
1  wnn11 1 j n w nj1
Ngược lại, rất dễ dàng kiểm chứng rằng nếu các trọng số của phép kết nhập WAvg có mối
liện hệ (3.3-9) thì WAvg sẽ thỏa Tiên đề (Agg4). 

(c) Bạn đọc có thể kiểm tra rằng WAvg không có tính chất kết hợp, t.l. không thỏa Tiên
đề (Agg1).

(d) WAvg không có tính chất giao hoán, t.l. không thỏa Tiên đề (Agg6).

Định lý 3.3.12-2. Nếu tồn tại hai trong số wi và wj của phép kết nhập WAvg sao cho wi 
wj, thì phép WAvg không giao hoán.

Chứng minh: Xét một bộ giá trị (a1, a2, …, an) sao cho ai = 1, các giá trị khác đều bằng
0, t.l. (0, …, 0, ai = 1, 0, …,0 ), và xét một phép hoán vị  hoán vị hai vị trí với chỉ số i và j,
còn các vị trí khác giữ nguyên. Nếu phép WAvg có tính giao hoán ta phải có

WAvg(a1, a2, …, an) =  1i n

wi ai = wi = WAvg(a(1), a(2), …, a(n)) =
= 1i n
wi a (i ) = wj.

Điều này mâu thuân với giả thiết wi  wj. 

3) Phép trung bình cộng số học

Phép kết nhập trung bình cộng được ký hiệu là Avg và được định nghĩa như sau


1
Avg(a1, a2, …, an) = 1i  n
ai .
n
28
 Trong cuộc sống hàng ngày chúng ta thường hay gặp và sử dụng phép kết nhập này để
tổng hợp các ý kiến đánh giá hay điểm đánh giá theo các thiêu chuẩn khác nhau. Bay giờ
chúng ta khảo sát xem phép kết nhập quen thuộc này sẽ thỏa mãn các tiên đề nào về việc kết
nhập.

(a) Rõ ràng là phép Avg thỏa các tiên đề về tính lũy đẳng, liên tục, đơn điệu tăng.

(b) Bây giờ ta xem xét tính thỏa của phép Avg đối với Tiên đề (Agg4). Ta tính biểu thức

Avg(a1, a2, …, an, Avg(a1, a2, …, an)) = [1i n 

1 1 1
ai ]  ai
n 1 n 1 1i  n n

 
1 1 1
= (  )ai = ai = Avg(a1, a2, …, an).
1i  n n  1 n(n  1) 1i  n n

Biểu thức này chứng tỏ rằng phép kết nhập Avg thỏa Tiên đề (Agg4).

(c) Tính giao hoán của phép Avg có liên hệ chặt chẽ với Định lý 3.3.12-1. Cụ thể, ta có
định lý sau

Định lý 3.3.12-3. Phép kết nhập trung bình có trọng số WAvg có tính giao hoán thì nó là
phép lấy trung bình cộng số học Avg.

Chứng minh: Giả sử WAvg có tính chất giao hoán, t.l. với mọi phép hoán vị vị trí các
hạng tử , ta có
WAvg(a1, a2, …, an) = WAvg(a(1), a(2), …, a(n)) (3.3-10)

Xét bộ giá trị (1, 0, …, 0) và phép hoán vị  chỉ đối với hai vị trí thư nhất và vị trí thứ i,
các vị trí còn lại giữ nguyên. Thay vào (3.3-10) ta thu được

WAvg(a1, a2, …, an) = w1 = wi = WAvg(a(1), a(2), …, a(n)).

Điều này đúng với mọi chỉ số i = 1, …, n. Do  1i n

wi  1 , ta suy ra wi = 1/n, với mọi i. 

4) Phép trung bình cộng tổng quát hóa

Phép kết nhập trung bình cộng tổng quát hóa được xác định bởi công thức sau
1/ 
 a   ...  a n 
g(a1, a2, …, an) =  1 

 n 

với   R, tập số thực, và ai  0, i = 1, …, n, khi  < 0.

Dễ dàng kiểm tra thấy rằng phép kết nhập này thỏa các tiên đề lũy đẳng, liên tục, đơn
điệu tăng và giao hoán. Tuy nhiên, bằng việc kiểm chứng với các bộ giá trị (a1, a2, …, an) cụ
thể ta có thể chỉ ra rằng, nói chung, nó không thỏa tính chất kết hợp và Tiên đề (Agg4).
29
 Với các giá trị   (, +) khác nhau nó sẽ xác định các phép kết nhập trung bình cộng
khác nhau.

- Khi   0 thì g xác định phép kết nhập trung bình hình học g0 = (a1 . a2 … an)1/n

Thực vậy, ta tính giới hạn

ln( a1  ...  an )  ln n

lim ln g  lim .
 0  0 

Áp dụng quy tắc l‟Hospital chuyển về lấy giới hạn theo thương của đạo hàm ta thu được

a1 ln a1  ...  an ln an ln a1  ...  ln an

lim ln g  lim  
  ln( a1 .a2 ...an )1/ n .
 0  0 a1  ...  an n

Đó là điều ta cần chứng minh.

- g(a1, a2, …, an) = Min {a1, a2, …, an} và g+(a1, a2, …, an) = Max {a1, a2, …, an}

Thực vậy, khi   , với amin = Min {a1, a2, …, an} và lưu ý rẳng  là số âm, ta có

 
  a   a 
ln amin  ln( 1   ...   n  )  ln n
ln( a1  ...  an )  ln n  amin   amin 
lim ln g  lim  lim
       

= ln amin

và ta thu được điều cần chứng minh.

Đới với trường hợp g+ việc chứng minh hoàn toàn tương tự.

n
- Với  = 1, ta có g-1(a1, a2, …, an) = , t.l. ta có hàm lấy trung bình điều
a  ...  an1
1
1

a1  ...  an
hòa; với  = +1, ta có g+1(a1, a2, …, an) = , t.l. ta có phép trung bình số học.
n

5) Phép trung bình cộng trọng số theo thứ tự (Phép toán OWA)

Trong nhiều công trình nghiên cứu và ứng dụng, người ta thường sử dụng phép kết nhập
được gọi là phép lấy trung bình cộng trọng số theo (quan hệ) thứ tự (ordered weighted
averaging operations (OWA)) và ký hiệu là gw. Nó được định nghĩa như sau. Cho một vectơ
trong số (w1, w2, …, wn), t.l. wi  (0, 1] và w1 + …+ wn = 1. Khác với phép trung bình cộng
có trọng số, ở đây, đối với mỗi bộ giá trị của đối số, (a1, a2, …, an), trước hết nó được sắp
xếp theo quan hệ thứ tự giảm dần, t.l. ta thực hiện một hoán vị (a(1), a(2), …, a(n)) sao cho

30
a(i) là số lớn nhất thư i trong các giá trị của đối số đã cho. Nói khác đi, a(i)  a(j), nếu i < j.
Khi đó,

gw = w1a(1) + w2a(2) + … + wna(n)

Ví dụ, cho vectơ trọng số (0,3, 0,1, 0,2, 0,4) và bộ giá trị (0,6, 0,9, 0,2, 0,6). Sắp xếp bộ
các giá trị này theo thứ tự giảm, ta thu được 0,9, 0,6, 0,6, 0,2 và do đó, theo định nghĩa trên,

gw(0,6, 0,9, 0,2, 0,6) = 0,3  0,9 + 0,1  0,6 + 0,2  0,6 + 0,4  0,2 = 0,53

Dễ dàng kiểm chứng rằng phép OWA thỏa các tiên đề lũy đẳng, liên tục, đơn điệu tăng và
giao hoán.

Bây giờ ta khảo sát một số trường hợp đặc biệt:

- Với vectơ trọng số wmin = (0, 0, …, 0, 1) phép OWA sẽ trở thành phép Min và với wmax
= (1, 0, …, 0), phép OWA sẽ trở thành phép Max, t.l.

g wmin (a1 ,...,an ) = Min {a1, a2, …, an} và g wmax (a1 ,...,an ) = Max {a1, a2, …, an}

- Với vectơ trọng số w = (1/n, …, 1/n), rõ ràng phép OWA trở thành phép trung bình số
học.

Định lý 3.3.12-4. Với mọi phép kết nhập g thỏa tiên đề lũy đẳng và đơn điệu tăng, ta có

Min {a1, a2, …, an}  g(a1, a2, …, an)  Max {a1, a2, …, an} (3.3-11)

Ngược lại, nếu hàm g thỏa công thức (3.2-11) thì nó có tính chất lũy đẳng.

Chứng minh: Đặt amin = Min {a1, a2, …, an} và amax = Max {a1, a2, …, an}. Khi đó, áp
dụng tính lũy đẳng và đơn điệu tăng, ta thu được

amin = g(amin, …, amin)  g(a1, a2, …, an)  g(amax, …, amax) = amax

Ngược lại, giả sử g thỏa công thức (3.2-11). Khi đó,

a = Min {a, a, …, a}  g(a, a, …, a)  Max {a, a, …, a} = a

nghĩa là g có thính chất lũy đẳng. 

Bây giờ ta khảo sát một số tính chất hay của các phép kết nhập. Trước hết, ta nhắc lại bài
toán về phương trình hàm Cauchy: Tìm họ các hàm số thực thỏa mãn phương trình hàm

f(x + y) = f(x) + f(y) (3.3-12)

31
 Cauchy năm 1821 đã chứng tỏ rằng nếu với giả thiết f liên tục, chỉ có họ hàm có dạng f(x)
= cx, c  R, là nghiệm của bài toán (3.3-12). Sau đó người ta chứng minh rằng khẳng định
này vẫn còn đúng với một trong các điều kiện ràng buộc sau:

- f liên tục tại một điểm nào đó;

- f đơn điệu trên một khoảng nào đó;
- f giới nội trên một khoảng nào đó.

Việc giải bài toán này trong trường hợp biến thực khá phức tạp. Để tham khảo, ta giải bài
toán trong trường hợp f là liên tục.

Trước hết ta chứng minh khẳng định khi các biến nhận các giá trị trong tập các số hữu tỷ
Q. Thực vậy, với điều kiện (3.3-12) ta sẽ chứng tỏ rằng:

- f(0) = 0: Đặt y = 0, ta có f(x + 0) = f(x) + f(0) và do đó f(0) = 0.

- f(x) = f(x): Vì, khi đặt y = x, ta có f(x + (x)) = f(x) + f(x) = f(0) = 0.

- f(nx) = nf(x): Vì, f(nx) = f(x + x + … + x). Áp dụng hệ thức (3.3-12) n – 1 lần ta thu
được đẳng thức cần chứng minh.

 x 1  y
- f    f ( x) : Đặt y = nx ta thu được f(y) = nf(x) = nf(x) = nf   , điều cần chứng
n n n
minh.

Từ hai khẳng định cuối ta suy ra

 x m
f  m   f (x) hay f ( xq)  f ( x)q (3.3-13)
 n n

Xem q là biến nhận giá trị hữu tỷ, t.l. q  Q, và x là một hằng được chọn là 1, ta có

f(q) = cq, c = f(1) và q  Q.

Vì Q trù mật trong tập các số thực R, f là liên tục ta suy ra khẳng định đũng trên trường
số thực R.

Định lý 3.3.12-5. Giả sử hàm g: [0, 1]n  R+ thỏa điều kiện biên (Agg2*), tính đơn điệu
(Agg5) và tính chất sau:

g(a1 + b1, …, an + bn) = g(a1, …, an) + g(b1, …, bn) (3.3-14)

trong đó ai, bi  [0, 1], i = 1, …, n. Khi đó, ta có

g(a1, …, an) =  1i n

wi ai , với wi > 0, i = 1, …, n.

32
 Ngoài ra nếu nó thỏa tính lũy đẳng (Agg2) thì g là phép trung bình cộng có trọng số.

Chứng minh: Ta đặt gi(ai) = g(0, ...,0, ai, 0, ..., 0). Khi đó, gi thỏa hệ thức (3.3-12) và
theo lời giải của bài toán phương trình hàm Cauchy với ràng buộc tính đơn điệu, nó phải có
dạng gi(x) = wix, trong đó wi = gi(1) > 0. Do vậy, từ giả thiết (3.3-14), ta suy ra

g(a1, …, an) = g(a1, 0, …, 0) + g(0, a2, …, an)

và áp dụng tiếp tục như vậy ta thu được

g(a1, …, an) = g(a1, 0, …, 0) + g(0, a2, 0, …, 0) + … + g(0, …, 0, an)

= g1(a1) + g2(a2) + … + gn(an) =  1i n

wi ai

Nghĩa là ta thu được điều cần ta chứng minh.

Nếu g thỏa thêm tính chất lũy đẳng, ta có

a = g(a, …, a) = a 1in wi , hay  1i  n

wi = 1

Điều này chứng tỏ g là phép trung bình cộng có trọng số. 

3.4. Quan hệ mờ
Một lớp đặc biệt các tập mờ là lớp các quan hệ mờ: chúng là các tập mờ trên không gian
tích Đề-các các miền cơ sở. Theo như tên gọi, quan hệ mờ mô tả quan hệ mờ giữa các đối
tượng trong các miền cơ sở. Chẳng hạn ta nói “Bạn Ngô Sơn Lâm và bạn Nguyễn thị Khánh
Vân là hai bạn thân” mệnh đề này mô tả mối quan hệ mờ giữa một đối tượng trong thế giới
các chàng trai và một đối tượng trong thế giới các cô gái. Nó là quan hệ mờ vì từ thân là khái
niệm mờ. Khái quát hóa, ta có quan hệ “bạn thân”.
Một cách tương tự chúng ta có quan hệ mờ “Lớn hơn rất nhiều” trên không gian số thực
hoặc số nguyên, quan hệ mờ “tƣơng tự nhƣ” với nghĩa như trong câu “kết quả học tập của
học sinh A tương tự như của học sinh B”, quan hệ mờ “gần” với nghĩa như trong câu “ở gần
Hà Nội” hay quan hệ mờ “mối quan hệ quốc gia chặt chẽ” với ngữ nghĩa trong câu “mối
quan hệ quốc gia chặt chẽ giữa 10 nước Asean” …

3.4.1. Khái niệm quan hệ mờ

Định nghĩa 3.4.1. Cho U là tích Đê-các của n miền cơ sở Ui, i = 1, …, n. Khi đó, mỗi
một tập mờ trên U được gọi là một quan hệ mờ n-ngôi và được ký hiệu là R, gọi là tên của
quan hệ đó, và nó được biểu thị bằng công thức sau:
R = 
U1...U n
 (u1 ,...,u n ) /(u1 ,...,u n )

trong đó (u1, …, un) là hàm thuộc của tập mờ R. 

33
 Độ thuộc (u1, …, un) có nghĩa các đối tượng u1, …, un tương ứng của các miền cơ sở U1,
…, Un, có quan hệ R với nhau với độ tin cậy hay độ phù hợp chính là (u1, …, un).

Trong trường hợp R là quan hệ rời rạc thì nó có thể biểu thị bằng một bảng với tên hàng
là tên các phần tử trong U, còn tên cột là tên các phần tử trong V. Trong trường hợp này ta
còn nói R được biểu diễn bằng ma trận.

Ví dụ, xét hai miền cơ sở U = V = {1, 2, 3, 4}. Quan hệ mờ “lớn hơn rất nhiều” giữa các
phần tử của U sẽ được biểu thị bằng bảng sau:

Bảng 3-5: Quan hệ mờ “Lớn

hơn rất nhiều”
R 1 2 3 4
1 0,0 0,0 0,0 0,0
2 0,3 0,0 0,0 0,0
3 0,8 0,0 0,0 0,0
4 1,0 0,8 0,3 0,0

Mỗi một giá trị độ thuộc trong bảng này, chẳng hạn giá trị 0,8 tại hàng 3 cột 1, có nghĩa
cặp giá trị (3, 1) thỏa quan hệ “Lớn hơn rất nhiều” với độ phù hợp là 0,8, hay giá trị 3 lớn
hơn rất nhiều giá trị 1 với độ phù hợp (với quan hệ lớn hơn rất nhiều) là 0,8.

Ta xét một ví dụ khác với U = V = R, tập tất cả các số thực. trên tập số thực này ta có
khái niệm trực quan về sự gần nhau giữa các số thực. Quan hệ mờ gần với, ký hiệu là Rgần,
có thể biểu thị bằng công thức sau:
|u  v|

Rgần = e
U V
a
/(u, v) .

Quan hệ mờ và tri thức dạng luật nếu-thì

Một dạng biểu diễn tri thức quan trọng trong trí tuệ nhân tạo là tri thức được phát biểu
dưới dạng mệnh đề nếu-thì như sau:

“Nếu cường độ dòng điện I là lớn, thì vòng

(3.4-1)
quay mô tơ điện N là nhỏ”

Mệnh đề (3.4-1) biểu thị mối quan hệ “mờ” giữa đại lượng cường độ dòng điện và đại
lượng số vòng quay của mô tơ điện. Theo nghĩa đó, phải có khả năng biểu diễn (3.4-1) bằng
một quan hệ theo Định nghĩa 3.4.1. Ý tưởng của phương pháp chuyển một mệnh đề ngôn
ngữ như trên thành một quan hệ mờ được thực hiện như sau:
Giả sử miền cơ sở của biến ngôn ngữ I là UI = [0, 10] theo đơn vị Ampe và miền cơ sở
của biến ngôn ngữ N là VN = [400, 2000] theo đơn vị vòng/phút. Khái niệm mờ lớn của I
được biểu thị qua tập mờ với hàm thuộc I-lớn: [0, 10]  [0, 1], khái niệm nhỏ của N được
biểu thị bằng tập mờ với hàm thuộc N-nhỏ: [400, 2000]  [0, 1]. Khi đó, một ý tưởng trực
quan biểu diễn theo từng điểm (u, v) (pointwise) mang tính định lượng của mệnh đề (3.4-1)
là
Nếu I := I-lớn(u) thì N := N-nhỏ(v)

34
Hay, một cách hình thức hơn, ta có thể viết

I := I-lớn(u)  N := N-nhỏ(v) (3.4-2)

Công thức (3.4-2) cho phép ta nhìn nhận rõ ràng hơn mối quan hệ giữ 2 phần tử u  UI
và v  VN. Vấn đề còn lại là từ (3.4-2) ta có thể tính giá trị độ thuộc của cặp phần tử (u, v).
Vì hai giá trị I-lớn(u), N-nhỏ(v)  [0, 1] cũng phản ảnh tính đúng đắn của đẳng thức u = lớn
và v = nhỏ, ta có thể xem chúng như giá trị chân lý của một lôgic đa trị trên đoạn [0, 1]. Do
đó ngữ nghĩa của (3.4-2) có thể biểu thị bằng
*
I-lớn(u)  N-nhỏ(v) (3.4-3)
*
trong đó  là một phép kéo theo lôgic nào đó của lôgic đa trị và do đó giá trị
*
I-lớn(u)  N-nhỏ(v)  [0, 1].
*
Một vài ví dụ của phép kéo theo  thường được sử dụng như:
b
Kéo theo nhị phân (binary): s  t = (1 – s)  t
S
Kéo theo chuẩn (Standar): s t = 1 nếu s  t
= 0 nếu s > t
g
Kéo theo Goedel: s t = 1 nếu s  t
= t nếu s > t
m
Kéo theo Madami: (??) s  t = s . t (trong đó “.” là tích số học)
L
Kéo theo Lukasiewicz s  t = 1  (1 – s + t)

3.4.2. Các phép tính trên quan hệ

Vì quan hệ cũng là tập mờ nên các phép tính trên tập mờ được trình bày trong Mục 3.3
cũng là các phép tính trên quan hệ. Tuy nhiên, trên quan hệ có những phép tính đặc thù riêng
mà trên tập mờ nói chung không có, chẳng hạn phép tính hợp thành dưới đây:

Định nghĩa 3.4.2. Giả sử R là quan hệ mờ trên UV và S là quan hệ mờ trên VW. Khi
đó, phép hợp thành của hai quan hệ này là một quan hệ trên UW, được ký hiệu là RS và
được định nghĩa như sau:

Ro S =  vV [  R (u, v) S (v, w)] /(u, w) (3.4-4)

trong đó  có thể là một phép tính 2-ngôi trong [0,1] có tính giao hoán, kết hợp và phân phối
đối với phép max . Nếu  là phép min , thì ta có phép hợp thành max-min, nếu  là phép
nhân số học “.” ta có phép hợp thành max-product.
Đối ngẫu với phép hợp thành (3.4-4) là

35
 Ro S =  vV [  R (u, v) * S (v, w)] /(u, w) (3.4-5)
trong đó * là một phép tính đối ngẫu với . Với * là max ta có phép hợp thành min-max đối
ngấu với phép hợp thành max-min, với * là  ta có phép hợp thành min-sum đối ngẫu với
phép hợp thành max-product. 

Nếu R và S là các tập mờ rời rạc, tức U, V và W là hữu hạn, chẳng hạn U = {u1, …, um},
V = {v1, …, vp} và W = {w1, …, wn}. Khi đó, hàm thuộc của tập mờ (3.4-5) tại cặp phần tử
(ui,wj) có dạng

RoS(ui,wj) =  kp1 [ R (ui , vk ) S (vk , w j )] (3.4-6)

Quan sát công thức (3.4-6) có thể nhận thấy sự “đồng dạng” của nó với biểu thức tính
phần tử (i,j) của tích hai ma trận, với tổng ở đây được hiểu là phép max , tích được hiểu là
phép tính . Nghĩa là, để tính giá trị RoS(ui,wj), ta lấy các phần tử của hàng thứ i của bảng R
nhân bằng phép  với các phần tử tương ứng của cột thứ j của bảng S; lất tổng bằng phép max
 các kết qua thu được.

Định lý 3.4.1. Phép hợp thành được định nghĩa như trong Định nghĩa 3.4.2 có tính chất
kết hợp, nghĩa là, cho các quan hệ mờ R trên không gian UV, S trên không gian UW và Q
trên không gian WZ, chúng ta có đẳng thức sau:

(R o S) o Q = R o (S o Q) = R o S o Q (3.4-7)


Ví dụ: Xét một quá trình xử lý thông tin như trong hình (1) của Hình 3-9. R và S là các
quan hệ mờ biểu diễn các tri thức, chẳng hạn, dưới dạng một tập luật if-then. Ngoài ra, giả sử
R và S là các quan hệ mờ với giả thiết rời rạc như được xét ở trên.  là vectơ hàng m-chiều
được xem như là dữ liệu đầu vào,  là vectơ
hàng p-chiều được xem như kết quả xử lý trung 
(1)  R S 
gian, còn  = (g1, …, gn) là vectơ output n-chiều
biểu thị vectơ đầu ra. Ơ đây chúng ta giả thiết
rằng quá trình xử lý thông tin tương tác giữa các
quá trình thực tế được mô phỏng bằng các phép (2)  RoS 
hợp thành. Nghĩa là, dữ liệu đầu ra được tính
theo các công thức sau:
Hình 3-9
 =  o R,  =  o S (3.4-8)

Với tính chất của các phép tính nêu trong Định nghĩa 3.4.2, trong Hình 3-9 quá trình (1)
là tương tương với quá trình (2).

Thực vậy, giả sử hàm thuộc của R là R(ui, vk), hàm thuộc của S là S(vk, wj) và  = (a1,
…, am). Khi đó, do tính chất kết hợp, ta lần lượt tính theo công thức (3.4-8) như sau:

 o R = (  im1 [ai  R (vi , v1 )] , …,  im1 [ai  R (vi , v p )] )

36
và thành phân thứ j của vectơ  =  o S sẽ là:

gj =  l 1 { i1[ai  R (ui , vl )] R (vl , w j )}

p m

Theo tính phân phối của phép tính  đối với phép max, và do tính giao hoán và kết hợp
của phép max, chúng ta có

gj =  l 1  i1[ai  R (ui , vl ) R (vl , w j )] =  i1  l 1[ai  R (ui , vl ) R (vl , w j )]

p m m p

=  i1 {ai   l 1 [ R (ui , vl ) R (vl , w j )]}

m p

Có thể nhận thấy biểu thức  l 1 [ R (ui , vl ) R (vl , w j )] chính là phần tử cij của ma trận R o S,
p

và do đó
 =  o (R o S) (3.4-9)

Như vậy, sự tương đương của các công thức (3.4-8) và (3.4-9) đem lại cho ta ý nghĩa
thực tiễn của phép hợp thành.

3.4.3. Quan hệ mờ 2-ngôi

Một lớp các quan hệ mờ quan trọng là quan hệ mờ 2-ngôi, chẳng hạn quan hệ “bạn thân”,
“bạn hàng gần gũi”, “học giỏi hơn”, ...
Quan hệ 2-ngôi R trên U  U, hay gọi là quan hệ trên không gian U, có những tính chất
đặc biệt mà các quan hệ khác không có. Trong những quan hệ này có quan hệ đơn vị E được
định nghĩa bởi hàm thuộc sau:

E(u, u) = 1, với u  U và R(u, v) = 0, với u, v  U, u  v.

Định nghĩa 3.4.3. Cho R là quan hệ mờ 2-ngôi trên U  U. Khi đó ta nói R là:
 Phản xạ nếu và chỉ nếu R(u, u) = 1, với u  U hay E  R;
 Phản phản xạ nếu và chỉ nếu R(u, u) = 0, với u  U;
 Đối xứng nếu và chỉ nếu R(u, v) = R(v, u), với u, v  U;
 -Bắc cầu nếu và chỉ nếu R(u, v)  R(u, w)  R(w, v), u, v, w  U;
 *-Bắc cầu đối ngẫu nếu và chỉ nếu R(u, v)  R(u, w) * R(w, v), u, v, w  U,
trong đó * là phép tính đối ngẫu đối với .

Một quan hệ mờ có cả 3 tính chất phản xạ, đối xứng và -bắc cầu được gọi là quan hệ
tương tự (similarity) hay quan hệ tương đương mờ.
Một quan hệ mờ có 3 tính chất phản phản xạ, đối xứng, *-bắc cầu đối ngẫu được gọi là
quan hệ tương tự đối ngẫu.

Ví dụ quan hệ “bạn thân”, quan hệ “lớn hơn rất nhiều” là những quan hệ tương đương mờ
vì chúng đều là các quan hệ phản xạ, đối xứng và bắc cầu.

Trong thực tế chúng ta dễ dàng xây dựng được quan hệ mờ phản xạ và đối xứng, nhưng
khó có thể có ngay tính chất -bắc cầu. Quan hệ mờ R có 2 tính chất phản xạ và đối xứng
37
được gọi là quan hệ giống nhau (resemblance) hay quan hệ gần gũi (proximity). Để có được
tính - bắc cầu của quan hệ mờ R ta thực hiện phép lấy -bắc cầu, ký hiệu là R^ được định
nghĩa là nó là quan hệ -bắc cầu nhỏ nhất chứa R, nghĩa là

R^ = {S : S is   transitive & R  S} .

Ta sử dụng ký hiệu như sau: R2 = R o R; Rk+1 = Rk o R, với k = 1, 2, …

Định lý 3.4.2. Giả sử R là quan hệ gần gũi. Khi đó, ta có


(i) R^ = R  R2  …  Rk  … =  k 1
Rk
n
(ii) Nếu U hữu hạn và có n phần tử, thì ta có R^ = Rk 1
k

l
(iii) Nếu l, Rl = Rl+1, thì ta có R^ =  R
k
k 1
(iv) R là tương tự nếu R2  R và khi đó R^ = R. 

Ví dụ: Để mô tả sừ gần gũi giữa các giá trị mô tả mầu mắt của con người ta có thể xây
dựng một quan hệ mờ gần gũi như sau. Giả sử U = {đen, nâu, xanh, xanh hơi xẫm, nâu đen,
đen nâu, xanh nhạt}. Có nhiều bài taons thực tế đòi hỏi so sánh, tìm kiếm và chúng ta có thể
giải quyết bài toán này dựa trên việc xây dựng quan hệ tương tự, và trước hết xấy dựng quan
hệ gần gũi. Chẳng hạn quan hệ sau:

R đen nâu đen đen nâu nâu xanh xanh hơi xẫm xanh nhạt
đen 1,0 0,7 0,85 0,6 0,0 0,3 0,0
nâu đen 0,7 1,0 0,92 0,86 0,0 0,4 0,0
đen nâu 0,85 0,92 1,0 0,82 0,0 0,2 0,0
nâu 0,6 0,86 0,82 1,0 0,0 0,25 0,0
xanh 0,0 0,0 0,0 0,0 1,0 0,9 0,84
xanh hơi xẫm 0,3 0,4 0,2 0,25 0,9 1,0 0,65
xanh nhạt 0,0 0,0 0,0 0,0 0,84 0,65 1,0

Dễ dàng kiểm chứng nó là quan hệ gần gũi: nó là phản xạ vì nó đồng nhất bằng 1 trên đường
chéo chính; nó là đối xứng vì các giá trị đối xứng qua đường chéo chính.

3.5. Đại số các tập mờ

Lý thuyết tập mờ là cơ sở toán học cho việc phát triển các phương pháp mô phỏng lập
luận của con người. Về nguyên tắc, vấn đề tư duy, lập luận của con người là vấn đề cực kỳ
phức tạp và do đó không thể sử dụng một cấu trúc toán học duy nhất để mô phòng. Vì vậy,
mục tiêu của chúng ta là càng xây dựng được nhiều cáu trúc đại số các tập mờ thì càng tốt để
chúng ta có thể linh hoạt trong tiếp cận các vấn đề ứng dụng.

3.5.1. T-norm và t-conorm

Trong định nghĩa các phép tính hợp và giao trên tập mờ trong Mục 3.3 (?), chúng ta đã sử
dụng hai cặp phép tính 2-ngôi trên [0;1] là cặp min () và max () và cặp phép tiń h tích đại
38
số a.b (.) và tổng đại số () a  b = a + b – a.b. Dễ dàng kiểm chứng chúng là những cặp đối
ngẫu De Morgan.

Bây giờ chúng ta sẽ đưa ra một họ các cặp đối ngẫu t-norm và t-conorm.

Định nghĩa 3.5-1. Một hàm 2-biến T : [0;1]  [0;1]  [0;1] được gọi là phép t-norm nếu
nó thỏa các tính chất sau với  a, a’, b, c  [0;1]:

(T1) Tính chất điề u kiê ̣n biên : T(a, 1) = a

(T2) Tính chất giao hoán: T(a, b) = T(b, a)

(T3) Tính chất đơn điệu: a  a’  T(a, b)  T(a’, b)

(T4) Tính chất kết hợp: T(T(a, b), c) = T(a, T(b, c)) 

Chúng ta dễ dàng kiểm chứng rằng phép min () và phép tích đại số (.) là các phép t-
norm và chúng được ký hiệu tương ứng là Tm và Tp. Phép t -norm Tm () đươ ̣c go ̣i là phép
giao mờ chuẩn (fuzzy standard intersection).

Mô ̣t tính chấ t khá hay của phép toán hai ngôi T nào đó là tính lũy đẳng (idempotency) nói
rằ ng T(a, a) = a, với a  [0;1]. Tuy nhiên, sau đây chúng ta chỉ ra mô ̣t tiń h chấ t “đô ̣c tôn”
của phép giao tiêu chuẩ n.

Đinh
̣ lý 3.5-0. Phép giao tiêu chuẩn là phép t-norm duy nhấ t có tính chấ t lũy đẳ ng.

Chứng minh: Tấ t nhiên ta thấ y Tm có tính chất lũy đẳng , min{a, a} = a, với a  [0;1].
Bây giờ ta xét bấ t kỳ phép t -norm nào mà T(a, a) = a, với a  [0;1]. Khi đó , với a, b 
[0;1] và không mất tính tổng quát ta giả sử a  b, theo tiń h chấ t đơn điê ̣u và tiń h chấ t về điề u
kiê ̣n biên ta có

a = T(a, a)  T(a, b)  T(a, 1) = a,

Do vâ ̣y, T(a, b) = a = min{a, b}. 

Đinh
̣ lý này giải thíc lý do ta ̣i sao chúng ta không xem tính chấ t này là tiên đề của phép t -
norm.

Mô ̣t số tiń h chấ t quan tro ̣ng của phép t -norm mà chúng ta cần đòi hỏi cần phải có trong
nhiề u ứng du ̣ng, khi cầ n thiế t cũng có thể được coi là các tiên đề , đươ ̣c phát biể u sau đây.

(T5) T là hàm hai biến liên tục (Tính liên tục);

(T6) T(a, a) < a (Tính lũy đẳng dưới (subidempotency));

(T7) a < a’ và b < b’  T(a, a’) < T(b, b’) (Tính đơn điệu chă ̣t).

Ví dụ về những phép t-norm hay đươ ̣c sử du ̣ng là các phép sau:
39
 Phép giao mờ tiêu chuẩn: Tm(a, b) = min{a, b};

Phép tích đại số: a.b;

Phép hiệu giới nội: T(a, b) = max{0, a + b  1};

a khi b  1


Phép giao chặt1: T(a, b) = b khi a  1


0 khi a  1 & b  1

Ngoài ra, các phép tính sau cũng là t-norm:

TL(a, b) = max {0, a + b – 1}

a nêu b  1

T*(a, b) = b nêu a  1
0 nêu a  1 & b  1


Chúng ta có các bất đẳng thức sau:

T*  TL  Tp  Tm (3.5-1)
và, với mọi T-norm T:
T*  T  Tm (3.5-2)

Mô ̣t phép tính “đố i ngẫu” với phép t-norm đươ ̣c go ̣i là phép t-conorm và đươ ̣c đinh
̣ nghiã
như sau,

Định nghĩa 3.5-2. Một hàm 2-biến S : [0;1]  [0;1]  [0;1] được gọi là phép t-conorm,
hay còn gọi là S-norm, nếu nó thỏa các tính chất sau với  a, a’, b, c  [0;1]:

(S1) Tính chất giới nội : S(a, 0) = a

(S2) Tính chất giao hoán: S(a, b) = S(b, a)

(S3) Tính chất đơn điệu: a  a’  S(a, b)  S(a’, b)

(S4) Tính chất kết hợp: S(S(a, b), c) = S(a, S(b, c)) 

Như vậy, chỉ có tính chất (T1) và (S1) làm nên sự khác biệt giữa hai họ phép tính T-norm
và S-norm.

Dưới đây là một vài S-norm:

1
Phép giao chặt tiêng Anh là drastic intersection. Nế u dich ̣ theo nghiã đen thì go ̣i là phép giao mạnh. Chúng tôi
cho rằ ng chữ “chă ̣t” trong tiế ng Viê ̣t trong ngữ cảnh này có nghiã phù hơ ̣p hơn .
40
 Sm(a, b) = max{a, b}

SL(a, b) = min{1, a + b}

Sp(a, b) = a + b – a.b

S*(a, b) = a nếu b = 0
= b nếu a = 0
= 1 nếu a  0 & b  0.

Về mặt ý nghĩa lôgic, phép T-norm được sử dụng để mở rộng ngữ nghĩa của phép lôgic
AND, còn phép S-norm để mở rộng ngữ nghĩa của phép OR.

Bây giờ chúng ta mở rộng ngữ nghĩa của phép phủ định (negation). Giá trị chân lý trong
đoạn [0, 1] chúng ta sử dụng phép “1” để mô ta ngữ nghĩa phép phủ định. Dưới đây, chúng
ta sẽ đưa ra một họ phép phủ định như sau:

Định nghĩa 3.5-3. Hàm N : [0;1]  [0;1] được gọi là phép phủ định nếu nó có các tính
chất sau, với mọi  a, a’  [0;1]:

(N1) Tính đơn điệu giảm: a  a’  N(a)  N(a’)

(N2) Tính lũy đẳng: N(N(a)) = a 

Có thể suy ra rằng hàm N trong định nghĩa trên phải là ánh xạ 1-1.

Định nghĩa 3.5-4. Ba phép tính T-norm T, S-norm S và phép phủ định N được gọi là một
hệ đối ngẫu (T, S, N) nếu chúng thả đều kiện sau:

N(S(a, b)) = T(N(a), N(b)) (3.5-3)


Chúng ta có thể kiểm chứng các hệ sau là hệ đối ngẫu:

(, , 1-), (, , 1-), (TL, SL, 1-) và (T*, S*, 1-)

3.5.2. Đại số các tập mờ

Định nghĩa 3.5-5. Cho một hệ đối ngẫu bất kỳ  = (T, S, N) và không gian cơ sở U. Gọi
F(U) họ tất cả các tập mờ trên U. Đại số các tập mờ trên F(U) dựa trên hệ đối ngẫu  là một
cấu trúc A = (F(U), , , ) với các phép tính được định nghĩa như sau:

- Phép giao : A  B =  T (

U A~
(u),  B~ (v) /(u, v)

- Phép hợp : A  B =  S (

U A~
(u),  B~ (v)) /(u, v)

41
 - Phép bù :  A =  N (
U A~
(u )) / u 

Đại số các tập mờ A có các tính chất sau:

1) Các phép tính  và  có tính giao hoán và kết hợp. Chẳng hạn chúng ta chứng tỏ
chúng có tính kết hợp. Nhớ rằng phép S-norm S có tính chất kết hợp.

(A  B)  C =  S (S (
U A~
(u),  B~ (u)), C ~ (u)) / u

=  S (
U A~
(u), S (  B~ (u), C ~ (u ))) / u

= A  (B  C)

Tương tự, chúng ta có thể kiểm chứng các khẳng định còn lại phát biểu ở trên.

2) Nếu phép tính T-norm T có tính chất lũy đẳng, t.l. T(a, a) = a với a  U, thì phép
giao cũng có tính lũy đẳng, t.l.

A  A = A, với A  F(U, [0;1]).

Tương tự, nếu phép S-norm S là lũy đẳng, t.l. S(a, a) = a với a  U, thì phép hợp cũng
có tính lũy đẳng, t.l.

A  A = A, với A  F(U, [0;1]).

Thực vậy, ta kiểm chứng cho phép giao:

A  A =  T (
U A~
(u ),  A~ (u )) / u = 
U A~
(u ) / u = A

Cũng kiểm chứng tương tự như vậy chúng ta có tính chất sau:

3) Nếu các phép T và S phân phối lẫn nhau thì các phép  và  cũng phân phối lẫn
nhau, t.l.
(A  B)  C = (A  C)  (A  C)
và
(A  B)  C = (A  C)  (A  C)

4) A   =  và A  U = A
và
A   = A và A  U = U

5) Tính chất đối ngẫu De Morgan:

42
  (A  B) = ( A)  ( B)
và
 (A  B) = ( A)  ( B)

6) Tính chất lũy đẳng:  ( A) = A

7) Nhìn chung, chúng ta có tính chất sau mà nó rất khác biệt với tập mờ kinh điển:

A  ( A)   ; A  ( A)  U

3.5.3. Quan hệ giữa đại số tập mờ và đại số các tập kinh điển

Trong Mục 3.1 chúng ta biết rằng ánh xạ h : A~  F(U)  { A~  P(U): 0    1} thiết
lập một song ánh từ tập tất cả các tập mờ F(U) vào tập tất cả các tập kinh điển P(U). Điều
này gợi ý một hy vọng có một mối liên hệ chặt chẽ và đẹp đẽ giữa khái niệm tập mờ và khái
niệm tập kinh điển.

Định lý 3.5-1. Cho Ai  F(U) với i  I, I là tập chỉ số nào đó. Khi đó,
~

(i) 
iI
Ai~   A 
iI
i
~

và  iI
Ai~   A 
iI
i
~


(ii)  Ai~    A  i
~
và  Ai~    A  i
~
iI iI  iI iI 

Chứng minh: (i) Trước hết ta chứng minh đẳng thức trong (i). Ta thấy, u   iI
Ai~ nếu

và chỉ nếu với i  I, u  Ai hay Ai (u)   . Điều này tương đương với khẳng định
~ ~

Infi  I Ai (u)   .

~
(3.5-4)
Theo định ngĩa phép giao các tập mờ, (3.5-4) tương đương với sự kiện u  
iI
Ai~  . Như

vậy, đẳng thức trong (i) đã được chứng minh.

(ii) được chứng minh một cách tương tự. 

Ta có thể chứng tỏ đẳng thức không thể xảy ra đói với các bao hàm thức trong định lý
trên. Chẳng hạn, đối với bao hàm thức trong (i), ta xét ví dụ sau.

Giả sử các tập mờ Ai có hàm thuộc cho bởi Ai (u ) = 1 – 1/i, với mọi u  U và i  N.
~ ~

Khi đó,

iI
 
Ai~ (u ) = Sup i  N Ai~ (u ) = Sup i  N (1 – 1/i) = 1

Do đó,  iI

Ai~  U.
1

Mặt khác, với mọi i  N và mọi u  U, ta có Ai (u ) = 1 – 1/i < 1 và do đó,

~

43
 Ai~1  , với mọi i  N
Vậy ta suy ra,
 iI
Ai~1    U =  A  .
iI
i
~
1

Định lý 3.5-2. Xét A~, B~  F(U). Khi đó, ta có

A~  B~ nếu và chỉ nếu A  B , với bất kỳ   [0;1];
~ ~
(i)
A~  B~ nếu và chỉ nếu A   B  , với bất kỳ   [0;1].
~ ~
và
A~ = B~ nếu và chỉ nếu A  B , với bất kỳ   [0;1];
~ ~
(ii)
A~ = B~ nếu và chỉ nếu A   B  , với bất kỳ   [0;1].
~ ~
và

Chứng minh: Để chứng minh (i), giả sử A~  B~, t.l. A~(u)  B~(u), với u  U. Điều
này kéo theo khẳng định A  B , với bất kỳ   [0;1]. Ngược lại, giả sử phản chứng là
~ ~

A~  B~ , với bất kỳ   [0;1] nhưng A~  B~. Vậy, phải có u0  U sao cho A~(u0) > B~(u0).
Lấy  sao cho A~(u) >  > B~(u). Với  như vậy, ta có u0  A nhưng u0  B , nghĩa là
~ ~

A~  B~ , mà điều nàu mâu thuẫn với giả thiết là A~  B~ , với bất kỳ   [0;1].

Một cách hoàn toàn tương tự, chúng ta dễ dàng chứng minh những khẳng định còn lại
của định lý. 

Định lý 3.5-3. Cho A~  F(U). Khi đó, với mọi   [0;1], ta có

(i) A~    
A~    
A~ ;
~
(ii) A   A~  A~ .
   

Chưng minh: (i) Với  < , và với  > 0 đủ nhỏ, ta có  <  +  <  và rõ ràng,
A  A~  A~  A~ . Các bao hàm thức này kéo theo hệ thức sau
~

A~    
A~    
A~ .

Giả sử u    
A~ nhưng u  A~ . Khi đó, ta có A~(u) <  và với  đủ nhỏ, ta cũng

có A~(u) <    <  < . Vậy, u  A  và do đó u  A  . Suy ra, u 

~ ~

 
A~ mâu
thuẫn với giả thiết. Điều này chứng tỏ đẳng thức (i) phải xảy ra.

Bằng phươg pháp tương tự, chúng ta có thể chứng minh (ii). 

Định lý 3.5-4 (Định lý phân tích thứ nhất). Với mỗi A~  F(U) ta có công thức biểu
diễn tập mờ qua các tập mức sau
A~ = [0,1]A
~
 (3.5-5)

44
trong đó  là số vô hướng, A là tập mờ có dạng tích của số vô hướng và tập kinh điển và
~

phép hợp vô hạn ở vế phải của (3.5-5) là phép hợp các tập mờ.

Chứng minh: Để chứng minh đẳng thức giữa hai tập mờ trong (3.5-5) ta sẽ chứng tỏ
rằng hai hàm thuộc của chúng đồng nhất bằng nhau trên U. Thật vậy, xét một phần tử u  U
bất kỳ và đặt  = A~(u). Theo định nghĩa, ta có đẳng thức sau
 A~ (u ) = Sup  [0,1] A~ (u )
 
[ 0,1] 
= max {Sup[0,] A (u ) , Sup (,1] A (u ) }.
~ ~
(3.5-6)
Với   [0;], A~(u) =    hay u  A và do đó A (u ) = . Với Với   (;1], ta có
~ ~

A~(u) =  <  và do vậy u  A và A (u ) = 0. Từ (3.5-6) ta suy ra

~ ~

 A~ (u ) = Sup[0,] A~ (u ) = Sup[0,]  =  = A~(u).

  [ 0,1] 

Vậy đẳng thức (3.5-5) đã được chứng minh. 

Bằng cách chứng minh tương tự ta thu được định lý sau

Định lý 3.5-5 (Định lý phân tích thứ hai). Với mỗi A~  F(U) ta có công thức biểu diễn
tập mờ qua các tập mức sau
A~ = A~  (3.5-7)
[ 0,1]

trong đó  là số vô hướng và A là tập mờ có dạng tích của số vô hướng và tập kinh điển.
~



Ký hiệu Image(A~) tập ảnh hay tập các giá trị của hàm thuộc A~(.). Trong thực tế chúng ta
quan tâm đến trường hợp các tập mờ A~ rời rạc, nghĩa là tập ảnh Image(A~) là hữu hạn. Ta
chứng tỏ rằng tập chỉ số trong (3.5-5) có thể thay bằng tập ảnh Image(A~)  [0;1].

Định lý 3.5-6 (Định lý phân tích thứ ba). Với mỗi A~  F(U) ta có công thức biểu diễn
tập mờ qua các tập mức sau
A~ = ~
A~  (3.5-8)
Im age ( A )

trong đó  là số vô hướng và A là tập mờ có dạng tích của số vô hướng và tập kinh điển.
~

Chứng minh: Trong chứng minh Định lý 3.5.4, ta giả thiết  = A~(u) hay   Image(A~).
Các công thức trong chứng minh đó vẫn đúng khi ta thay tập chỉ số [0;1] bằng tập ảnh
Image(A~).


3.6. Lôgic mờ
Nhìn chung đối tượng nghiên cứu của lôgic là các mệnh đề cùng với giá trị chân lý của
chúng. Trong mục này chúng ta nghiên cứu các mệnh đề mờ và việc định giá giá trị chân lý
của chúng.

45
 3.6.1. Các mệnh đề mờ

Mệnh đề mờ chứa những khái niệm không chính xác, không chắc chắn và do đó không có
đủ thông tin để định giá giá trị chân lý là “tuyệt đối đúng” I hay “tuyệt đối sai” O, t.l. giá trị
chân lý đúng, sai theo nghĩa kinh điển. Vì giá trị chân lý của các mệnh đề mờ có thể nằm
trong đoạn [0;1].

Sau đây chúng ta sẽ khảo sát 4 loại mệnh đề mờ và việc định giá giá trị chân lý của
chúng.

1) Mệnh đề mờ không điều kiện và không bi ̣ giới hạn

Trước hết ta làm sáng tỏ cụm từ “giới ha ̣n” (qualified). Một mệnh đề bao giờ cũng có giá
trị chân lý. Vấn đề là chúng ta có “tuyên bố” một cách rõ ràng giá trị chân lý của nó hay
không. Nếu chúng ta tuyên bố rõ giá trị chân lý của nó, tức là chúng ta đã “giới hạn ” giá trị
chân lý của nó vào một giá trị cụ thể nào đấy, nếu không ta nói mệnh đề đó không bị giới
hạn. Còn mệnh đề điều kiện là mệnh đề nế u -thì, nêu không như vâ ̣y mê ̣nh đề đó đươ ̣c go ̣i là
mê ̣nh đề không điề u kiê ̣n.

Mê ̣nh đề mờ không điều kiện và không hạn chế là mê ̣nh đề có da ̣ng sau

p : X là A, (3.6-1)

trong đó X là biến với miền tham chiếu U, A là tập mờ trên U biể u thi ̣ngữ nghiã của giá tri ̣
ngôn ngữ như trẻ, rấ t cao, nhanh nhe ̣n, … Để đơn giản ta ký hiê ̣u hàm thuô ̣c của tâ ̣p mờ A là
A(u).
Câu hỏi đă ̣t ra là nế u X nhâ ̣n giá tri ̣cu ̣ thể u  U thì giá trị chân lý của mệ nh đề p đươ ̣c
cho bởi (3-25) là bao nhiêu. Trong trường hơ ̣p cu ̣ thể như vâ ̣y, (3.6-1) trờ thành

u là A (3.6-2)

Như chúng ta đã biế t (3.6-2) đươ ̣c hiể u là u là phần tử của tập mờ A với đô ̣ thuô ̣c A(u)
hay có thể hiểu A(u) là giá trị chân lý của mê ̣nh đề (3.6-2) và ta ký hiệu

tv(p) = A(u), u  U. (3.6-3)

Chẳ ng ha ̣n, ta xét O là một cộ ng đồ ng dân cư , biế n X chỉ chiề u cao của các cá thể trong
cô ̣ng đồ ng nhâ ̣n giá tri ̣trong miề n tham chiế u U = [0, 220] tính theo đơn vị cm và A là tập
mờ biể u thi ̣ngữ nghiã của từ cao, mô tả chiề u cao của các cá thể trong cộng đồng . Khi đó ,
mê ̣nh đề (3.6-1) đươ ̣c cu ̣ thể hóa thành

p : Chiề u cao (X) là cao (A) (3.6-4)

Nế u X nhâ ̣n giá tri ̣ 170 thì giá trị chân lý của mệnh đề (3.6-4) là tv(p) = 0,85  [0, 1], nế u
X nhâ ̣n giá tri ̣u  150 thì tv(p) = 0,0.
Trong thực tế người ta thường chỉ chiề u cao của mô ̣t đố i tươ ̣ng hay mô ̣t cá thể cu ̣ thể o 
O, và (3.6-1) khi đó đươ ̣c viế t cu ̣ thể như sau

46
 p : X(o) là A cao Rấ t cao
1,00
Chẳ ng ha ̣n , X chỉ biến tuổi Age và A là 0,85
tâ ̣p mờ biể u thi ̣khái niê ̣m “trẻ” và o là một
cá thể thì ta thường viết
p : Age(o) là trẻ
90 220
150 170 195
trong đó Age(o) chỉ tuổi tính theo năm của
cá thể o. Giá trị chân lý của p khi đó là Hình 3-10: Tập mờ cao chỉ
chiề u cao của các cá thể
tv(p) = trẻ(Age(o)).

2) Mệnh đề mờ không điều kiện có giới hạn chân lý (qualified)

Thường mô ̣t mê ̣nh đề trong cuô ̣c số ng thực tiễn hàng ngày của chúng ta đề u có mô ̣t đô ̣ tin
câ ̣y hay mô ̣t mức đô ̣ đúng hay sai nhấ t đinh
̣ . Chẳ ng ha ̣n ta có mê ̣nh đề khẳ ng đinh
̣ “Ngày mai
chắ c trời nắ ng” trong khi hôm nay trời đang u ám . Nế u khẳ ng đinh ̣ này đươ ̣c mô ̣t dân làng
nói thì độ tin cậy không bằng kh ẳng định như vâ ̣y của cơ quan dự báo thời tiết có uy tín . Mô ̣t
chuyên gia y tế khẳ ng đinh ̣ “Cháu bé đau ruô ̣t thừa” có đô ̣ tin câ ̣y hay tiń h đúng chân lý cao
hơn là khẳng định đó được nhận từ mô ̣t sinh viên y khoa . Như vâ ̣y, mô ̣t nhu cầ u tự nhiên là
chúng ta cần biểu thị một mệnh đề mờ cùng với giá trị chân lý của nó.

Mô ̣t mê ̣nh đề mờ không điề u kiê ̣n và giới ha ̣n đươ ̣c biể u thi ̣ở da ̣ng chuẩ n sau

p : “X là A” là  (3.6-5)

trong đó X và A là các đại lượng giống như trường hợp trên , còn  là phép giới hạn chân lý
mờ (fuzzy truth qualifier) và nó là tập mờ trên tập U = [0;1].
Chẳ ng ha ̣n, ta lấ y ví du ̣ mô ̣t mê ̣nh đề da ̣ng (i) “Kế t quả ho ̣c tâ ̣p của sinh viên Nam là giỏi
là rất đúng”, hay (ii) “Triǹ h đô ̣ đô ̣i tuyể n Olempic Toán của Viê ̣t Nam là giỏi là khá đúng”.

Câu hỏi đươ ̣c đă ̣t ra là với mô ̣t cá thể cu ̣ thể o và một giá trị u  U của biến có sở của A,
giá trị chân lý của mệnh đề p ở dạng (3.6-5) là bao nhiêu. Ý tưởng định giá giá trị chân lý này
như sau:
1
1,00 Giỏi
0,87
đúng
Khá 0,75
đúng

0,30 Rấ t
đúng 0 10
5 7
0 0,75 1
Hình 3-12: Tập mờ giỏi
Hình 3-11

Xét mệnh đề (i) với khái niệm “giỏi” được biểu diễn bằng tập mờ trong Hình 3-12 và
khái niệm chân lý “rất đúng” được cho trong Hình 3-11. Giả sử Kết quả(Nam) = 7. Khi đó,
47
tv(Kết quả(Nam) là giỏi) = giỏi(7) = 0,75. Vì giá trị chân lý của mệnh đề “Kết quả(Nam) là
giỏi” là rất đúng với hàm thuộc được cho trong Hình 3-11, nên giá trị chân lý của mệnh đề p
sẽ bằng độ thuộc của giá trị 0,75 vào tập mờ biểu diễn khái niệm chân lý rất đúng, t.l.

tv(p) = rất đúng(0,75) = 0,30.

Bây giờ chúng ta vẫn xét mệnh đề này với một sự thay đổi giá trị chân lý rất đúng của nó
thành khá đúng, t.l. ta có mệnh đề “Kế t quả ho ̣c tâ ̣p của sinh viên Nam là giỏi là khá đúng”
và ta kí hiệu là mệnh đề p’. Khi đó, ta có

tv(p’) = khá đúng(0,75) = 0,87.

hay tv(p) < tv(p’). Bạn đọc hãy tự giải thích xem như vậy có hợp lý không?

Trong trường hợp tổng quát, với mệnh đề giới hạn chân lý p trong (3.6-5) và với mỗi
phần tử u  U, giá trị chân lý tv(p) của mệnh đề p được định giá bằng công thức

tv(p) = (A(u)) (3.6-6)

Dựa trên (3.6-6), nếu  là hàm đồng nhất, t.l. (t) = t, với t  [0;1], ta sẽ có lại được công
thức định giá chân lý (3.6-3) của mệnh đề không giới hạn chân lý. Điều này chỉ ra rằng mệnh
đề không giới hạn chân lý có thể xem như là mệnh đề giới hạn chân lý với  = true mà hàm
thuộc của nó là hàm đồng nhất. Lưu ý rằng không phải trong bất kỳ bài toán nào giá trị chân
lý ngôn ngữ cũng được biểu thị ngữ nghĩa bằng hàm đồng nhất.

3) Mệnh đề điều kiện không giới hạn chân lý

Mệnh đề điều kiện không giới hạn chân lý (conditional and unqualified proposition) là
mệnh đề có dạng sau

p : Nếu X là A, thì Y là B (3.6-7)

trong đó X và Y là các biến nhận các giá trị tương ứng trong miền cơ sở U và V, còn A và B là
các tập mờ tương ứng trên miền U và V.

Như chúng ta đã dề cập trong Mục 3.4.1 về quan hệ mờ và tri thực dạng luật nếu-thì,
mệnh đề (3.6-7) xác định một quan hệ mờ R giữa hai đại lượng X và Y, t.l. R là tập mờ trên
tích Đề-các U  V. Khi đó, (3.6-7) có thể được hiểu là mệnh đề sau

p : (X,Y) là R, (3.6-8)

trong đó, như trong Mục 3.4.1, quan hệ mờ R được xác định qua các tập mờ A và B và một
phép kéo theo Imp, t.l. với A(u) và A(v) là các hàm thuộc tương ứng của A và B, ta có

R(u, v) = Imp(A(u), B(v)).

*
Nếu ký hiệu Imp là  , thì biểu thức trên có dạng quen nhìn hơn là

48
 *
R(u, v) = A(u)  B(v).

4) Mệnh đề điều kiện và giới hạn chân lý

Mệnh đề điều kiện có giới hạn chân lý là mệnh đề có dạng sau

p : “Nếu X là A, thì Y là B” là  (3.6-9)

với  là giá trị chân lý ngôn ngữ biểu thị bằng hàm thuộc (t), t  [0;1]. (3.6-9) sẽ xác định
một quan hệ mờ R* với hàm thuộc R*(u, v) được định nghĩa như sau.
Như trên, mệnh đề “Nếu X là A, thì Y là B” sẽ xác định một quan hệ mờ R trên tích
Đề-các U  V, với độ thuộc R(u, v)  [0;1]. Vì vậy, chúng ta có thể định nghĩa hàm thuộc

R*(u, v) = (R(u, v)).

3.6.2. Phép kéo theo mờ (fuzzy implications)

Trong Mục 3.4.1 khi đề câ ̣p về quan hệ mờ và việc biểu diễn tri thức dạng luật “Nếu p,
thì q”, chúng ta đã thấy mối quan hệ chặt chẽ giữa ngữ nghĩa của mệnh đề mờ dạng nếu-thì
và các loại phép kéo theo lôgic s  t, s, t  [0;1]. Có thể với lý do đó, các phép kéo theo như
vậy được gọi là các phép kéo theo mờ.

Vì tri thức dạng luật là một yếu tố quan trọng trong biểu diễn tri thức và trong lập luận
xấp xỉ, nên việc nghiên cứu các phép kéo theo mờ có vị trí quan trọng. Sau đây chúng ta tìm
hiểu một số kiến thức cơ bản về loại phép tính này.

Một cách tổng quát, phép kéo theo mờ là một hàm 2-ngôi J : [0;1]2  [0;1] với ý nghĩa
nói rằng với giá trị chân lý s và t tương ứng của hai mệnh đề p và q, J(s, t) sẽ cho ta giá trị
chân lý của mệnh đề “Nếu p, thì q”. Nó được xem như là một sự mở rộng của phép kéo
theo kinh điển khi hạn chế giá trị chân lý vào tập {0, 1}. Trong Mục 3.4.1 chúng ta đã đưa ra
một số ví dụ về các phép kéo theo này, tuy không gọi là phép kéo theo mờ.

Có nhiều cách tiếp cận để xác định phép kéo theo mờ , mă ̣c dù về nguyên tắ c không có
mô ̣t ràng buô ̣c cứng nhắ c viê ̣c đinh
̣ nghiã này . Ta sẽ đưa ra mô ̣t số đinh
̣ nghiã khác nhau sau
để làm ví dụ:

- Đinh
̣ nghiã dựa trên sự khái quát phép kéo theo 2-trị: Phép kéo theo Kleene-Dienes

Jb(s, t) = – s  t, s, t  [0;1] và – s = 1 – t,

ở đây chỉ số b có nghĩa là binary.

- Khi nghiên cứu phương pháp lập luận xấp xỉ để ứng dụng vào điều khiển quá trình tôi
luyện thép, Mamdani đã đưa ra định nghĩa sau:

J(s, t) = min(s, t).

49
 - Mô ̣t cách khái quát tương tự, giả sử N là hàm phủ định và S là phép hợp (xem Mu ̣c 3.5),
chẳ ng ha ̣n S là t-conorm, ta có thể đinh
̣ nghiã

J(s, t) = S(N(s), t).

Mă ̣t khác , trong lôgic kinh điể n biể u thức Boole (– s  t) tương đương với các biểu thức
sau

– s  (s  t) và (– s  – t)  t

và do đó ta có công thức khái quát sang miền trị chân lý [0;1], với T là phép t-norm, như sau

J(s, t) = S(N(s), T(s, t)) và S(T(N(s), N(t)), t).

- Nế u xem tổ ng đa ̣i số như là phép hơ ̣p mờ, ta có phép kéo theo Reichenbach

Jr(s, t) = 1 s + s.t.

- Nế u ta cho ̣n phép hơ ̣p mờ là phép tổ ng giới nô ̣i S(s, t) = min {1, s + t}, ta có phép kéo
theo Lukasiewicz

Ja(s, t) = min {1, 1 – s + t}.

- Phép kéo theo của Goguen đưa ra năm 1969:

 t
JGoguen(s, t) = min 1,  .
 s

- Phép kéo theo Gaines-Rescher

1 nêu s  t
Jg-r(s, t) = 
0 nêu s  t

- Nế u chọn phép giao chuẩ n, t.l. phép , ta có phép kéo theo Goedel

1 nêu s  t
Jg(s, t) = sup {x : s  x  t} = 
t nêu s  t

- Nế u cho ̣n phép giao t-norm T(s, t) = s.t, ta có phép kéo theo Goguen

1 nêu s  t
J(s, t) = sup {x : s . x  t} = 
t / s nêu s  t

- Phép kéo theo Wu

50
 1 nêu s  t
Jwu(s, t) = 
min{1  s, t} nêu s  t

Tuy nhiên, trong lôgic kinh điể n và không kinh điể n (chẳ ng ha ̣n lôgic trực giác ) một loại
phép kéo theo được định nghĩa thông qua phép hội. Cụ thể, ta có

J(s, t) = max {u  {0, 1} : s  u  t} (3.6-10)

Có thể thấy phép kéo theo trong lôgic mệnh đề và lôgic vị từ thỏa biểu thức (3.6-10).
Bây giờ ta trình bày phép kéo theo mờ đươ ̣c khái quát hóa từ đinh
̣ nghiã (3.6-10) và khảo
sát các tính chất của loại phép kéo theo này.

1) Cách tiếp cận qua phép t-norm

Tổng quát hóa công thức (3.6-10) ở trên bằng cách mở rộng giá trị chân lý trong miề n 2-
trị {0, 1} sang đoạn [0;1] và thay thế phép hội  bằng phép t-norm T, ta có công thức tính sau

JT(s, t) = sup {u  [0, 1] : T(s, u)  t} (3.6-11)

Định lý 3.6.2-1. Phép kéo theo JT có các tính chất sau

(i) T(s, u)  t nếu và chỉ nếu JT(s, t)  u;
(ii) JT(JT(s, t), t)  s;
(iii) JT(T(s, t), u) = JT(s, JT(t, u));
(iv) s  t  JT(s, u)  JT(t, u) và JT(u, s)  JT(u, t);
(v) T(JT(s, t), JT(t, u))  JT(s, u);
(vi) JT(infjJ sj, t)  supjJ JT(sj, t);
(vii) JT(supjJ sj, t) = infjJ JT(sj, t);
(viii) JT(t, supjJ sj)  supjJ JT(t, sj);
(ix) JT(t, infjJ sj) = infjJ JT(t, sj);
(x) T(s, JT(s, t))  t

Chứng minh: Chúng ta sẽ chững minh một số tính chất phát biểu trong định lý trên.

(i) Nếu T(s, u)  t thì u  {x : T(s, x)  t}. Do vậy, theo định nghĩa, u  sup{x : T(s, x) 
t} = Jsup(s, t). Ngược lại, nếu u  Jsup(s, t) thì, theo tính đơn điệu của phép t-norm,
T(s, u)  T(s, Jsup(s, t)) = T(s, sup{x : T(s, x)  t}).

Do tính liên tục của phép t-norm T ta có,

T(s, sup{x : T(s, x)  t}) = sup{T(s, x) : x  {x : T(s, x)  t}}  t.

(ii) Ta có, Jsup(s, t) = sup{x : T(s, x)  t} và do đó, cùng với tính liên tục của T, ta có

51
 JT(JT(s, t), t) = sup{y : T(JT(s, t), y)  t} = sup{y : T(sup{x : T(s, x)  t}, y)  t}

= sup{y : sup{T(x, y) : x  {x : T(s, x)  t}}  t}

(iii) Ta chứng minh JT(T(s, t), u) = JT(s, JT(t, u)). Theo định nghĩa

JT(s, JT(t, u)) = sup{x : T(s, x)  JT(t, u)}

Ta thấy, T(s, x)  JT(t, u)  T(t, T(s, x))  u  T(T(s, t), x)  u (do tính kết hợp của T)
 x  JT(T(s, t), u). Do vậy,

JT(s, JT(t, u)) = sup{x  JT(T(s, t), u)} = JT(T(s, t), u).

(iv) Giả sử s  t. Do tính đơn điệu của T, ta có T(s, x)  T(t, x) và do đó

sup{x : T(s, x)  u}  sup{x : T(t, x)  u} hay JT(s, u)  JT(t, u).

Một cách tương tự ta chứng minh bất đẳng thức còn lại.

(v) Theo định nghĩa

T(JT(s, t), JT(t, u)) = T(sup{x : T(s, x)  t}, sup{y : T(t, y)  u})

Theo tính liên tục của T và do T(s, x)  t & T(t, y)  u  T(s, T(x, y))  u. ta suy ra

T(JT(s, t), JT(t, u)) = supx{T(x, sup{y : T(t, y)  u}) : T(s, x)  t}

= supxsupy{T(x, y) : T(s, x)  t & T(t, y)  u}

 supxsupy{T(x, y) : T(s, T(x, y))  u}

= supxsupy{T(x, y) : T(x, y)  JT(s, u)}

= JT(s, u).

(vi) Lưu ý rằ ng {x: infjJ T(sj, x)  t}  {x: supjJ T(sj, x)  t}. Do đó, ta có

JT(infjJ sj, t) = supx{x: T(infjJ sj, x)  t} = supx{x: infjJ T(sj, x)  t}

 supx{x: supjJ T(sj, x)  t} = supjJ supx{x: T(sj, x)  t}

= supjJ JT(sj, t).

(vii) Đặt s0 = supjJ aj. Khi đó, s0  aj và, do tính chấ t (iv) đã chứng minh, ta có JT(s0, t) 
JT(sj, t), với mo ̣i jJ. Do vâ ̣y , JT(s0, t)  infjJ JT(sj, t). Mă ̣t khác , do u = infjJ JT(sj, t) 
JT(si, t) với mo ̣i iJ, từ tính chấ t (i) ta suy ra T(si, infjJ JT(sj, t))  t, với mo ̣i iJ. Vâ ̣y, từ

52
tính liên tục của T, ta suy ra T(s0, infjJ JT(sj, t)) = supiJ T(si, infjJ JT(sj, t))  t. Nhờ tính
chấ t (i) ta suy tiế p ra JT(s0, t)  infjJ JT(sj, t). Kế t hơ ̣p các kế t quả la ̣i ta có

JT(supjJ aj, t) = JT(s0, t) = infjJ JT(sj, t).

(viii) Với lưu ý rằ ng {x : T(t, x)  supjJ sj}  {x : T(t, x)  sj}, với mo ̣i jJ, ta có

JT(t, supjJ sj) = supx {x : T(t, x)  supjJ sj}  supx {x : T(t, x)  sj} = JT(t, sj),

với mo ̣i jJ. Do vâ ̣y, ta rút ra tính chấ t (viii).

(x) Do tính liên tu ̣c của T, ta có

T(s, JT(s, t)) = T(s, supx {x: T(s, x)  t}) = supx {T(s, x) : T(s, x)  t}  t,

đó là điề u ta cầ n chứng minh. 

2) Cách tiếp cận tiên đề

Trong cách tiếp cận tiên đề chúng ta sẽ đưa ra các yêu cầu về tính chất của các phép kéo
theo mờ và xem chúng là các tiên đề của phép kéo theo mờ. Bản chất ngư nghĩa kép theo mờ
trong ngôn ngữ tự nhiên hay trong lập luận của con người rất phức tạp, khó có một hệ tiên đề
chung cho mọi tình huống. Vì vậy, những tiên đề sau đây không nhất thiết bắt buộc mọi phép
kéo theo mờ phải thỏa mãn. Chỉ có ứng dụng thực tiễn là tiêu chuẩn cuối cùng chứng minh
tính phù hợp của một định nghĩa phép kéo theo mờ. Một số tiên đề là sự khái quát của phép
kéo theo kinh điển.

Tiên đề 1. s  s’  J(s, t)  J(s’, t) (Tính đơn điệu tăng đối với biến thứ nhất).

Tiên đề 2. t  t’  J(s, t)  J(s, t’) (Tính đơn điệu tăng đối với biến thứ hai).

Tiên đề 3. J(0, t) = 1 (Tính chi phối của giá trị chân lý sai).
Tiên đề này có nghiã nế u giá tr ị chân lý của phần tiền tố là sai thì nó chi phối giá trị chân
lý của cả mệnh đề nếu-thì.

Tiên đề 4. J(1, t) = t (Tính trung tính của giá trị chân lý đúng).
Điề u này nói rằ ng giá tri ̣châ n lý đúng của phầ n tiề n tố không đóng góp đươ ̣c bấ t kỳ sự
thay đổ i giá trị chân lý của phần hậu tố còn lại.

Tiên đề 5. J(s, s) = 1 (Tính đồng nhất).

Tiên đề 6. J(s, J(t, u)) = J(t, J(s, u)) (tính chất hoán đổi).

Tiên đề 7. J(s, t) = 1 nế u và chỉ nế u s  t (Tính chất về điều kiện giới nội).
Điề u này nói rằ ng giá tri ̣chân lý của mê ̣nh đề nế u -thì là đúng nếu và chỉ nếu giá tr ị chân
lý của phần tiền tố bị chặn bởi giá trị chân lý của phần hậu tố.

53
 Tiêṇ đề 8. J(s, t) = J(N(t), N(s)), trong đó N là hàm phủ định.

Tiên đề 8 là sự khái quát hóa tính chất của phép kéo theo kinh điển nói rằng

p  q  q  p.

Tiên đề 9. J là hàm liên tục theo cả hai biến.

Mă ̣c dù, trên mô ̣t góc nhì nào đó , Tiên đề 9 là một đòi hỏi tự nhiên nhưng nhiề u phép kéo
theo trong các ví du ̣ đươ ̣c triǹ h bày ở đầ u ti ết không thỏa tính liên tục , chẳ ng ha ̣n phép kéo
theo Goedel hay Goguen . Vì vậy, cầ n nhấ n ma ̣nh mô ̣t lầ n nữa rằ ng không nhấ t thiế t bắ t buô ̣c
mỗi phép kéo theo mờ phải thỏa mañ mo ̣i tiên đề nêu trên , đồ ng thời ta cũng có quyề n đă ̣t ra
các yêu cầu về một tính chấ t nào đó khác mà một phéo kéo theo cần phải có.

Mô ̣t câu hỏi nẩ y sinh là liê ̣u có tồ n ta ̣i mô ̣t phép kéo theo mờ thỏa mañ tấ t cả 9 đòi hỏi
trên? Câu trả lời đươ ̣c phát biể u trong mê ̣nh đề sau.

̣ lý 3.6.2-2 ([?]) Mô ̣t hàm 2-biế n J : [0;1]2  [0;1] thỏa các Tiên đề 1 – 9 về phép
Đinh
kéo theo mờ nế u và chỉ nế u có tồn tại một hàm liên tục đơn điệu tăng thực sự f : [0;1] 
[0;+) sao cho f(0) = 0 và
J(s, t) = f1(f(1) – f(s) + f(t))
với s, t  [0;1], và
N(s) = f1(f(1) – f(s))
với s  [0;1]. 

Trong các ví du ̣ đã đề câ ̣p ở trên, chỉ có phép kêó theo Lukasiewicz thỏa mãn cả 9 tiên đề ,
với hàm phủ đinh
̣ mở chuẩ n , t.l. N(s) = 1 – s, nghĩa là nó thỏa Định lý 3.6.2-2 với hàm f là
hàm đồng nhất.

Mô ̣t ví du ̣ khác về loa ̣i phép kéo theo mờ thỏa đinh
̣ lý trên với hàm f đươ ̣c cho như sau

e  1 nêu 0  s  ln 2
s

f(s) = ln(1 + s) với hàm tựa ngươ ̣c là f1(s) = 


1 nêu ln 2  s  1
1 s
và hàm phủ định đi cùng với f là N(s) = , s  [0;1].
1 s
Khi đó phép kéo theo mờ đươ ̣c xác đinh ̣ là

 1  s  2t 
J(s, t) = min 1,  , với mo ̣i s, t  [0;1].
 1 s 
Ta mở rô ̣ng ví du ̣ này bằ ng viê ̣c thay hàm f ở trên bằng hàm f’ = ln(1 + s), với  là tham
số dương. Khi đó,
es 1
 nêu 0  s  ln(1   )
f1(s) =  
1 nêu ln 2  s  1

và hàm phủ định trong trường hợp này là hàm Sugeno

54
 1 s
N(s) = , s  [0;1].
1  s

Phép kéo theo mờ khí đó được xác định là

 1  s  t  t 
J(s, t) = min 1, .
 1  s 

3.6.3. Lượng hóa mờ (fuzzy quantifiers)

Trong lôgic vị từ chúng ta có khái niệm lượng hóa tồn tại và lượng hóa khái quát. Tương
tự như vậy, trong lôgic mờ chúng ta cũng có những khái niệm mang hàm ý như vậy như
khoảng 10 học sinh thi tốt nghiệp giỏi; nhiều hơn nhiều 100 có thể voọc mũi hếch đang sinh
sống trong khu bảo tồn quốc gia; ít nhất là 7 sinh viên đang làm thực tập tốt nghiệp ở Công
ty Microsoft Việt Nam; hầu hết nữ sinh viên khóa 2005 đều có nguyện vọng theo học khoa
CNTT, khoảng một nửa số sinh viên trong khóa 2006 là nữ, … Những từ in nghiêng trong
các ví dụ trên đều thể hiện ngữ nghĩa không chính xác, mờ về số lượng và được gọi là các
lượng hóa mờ.

Theo L.A. Zadeh, có hai loại lượng hóa mờ: (i) Lƣợng hóa tuyệt đối với ngữ nghĩa mờ
được ấn định liên quan đến một giá trị (tuyệt đối) cụ thể trong tập các số thực không âm,
chẳng hạn, như trong 3 ví dụ đầu nêu trên; (ii) Lƣợng hóa tƣơng đối, xác định trên tập [0;1],
chỉ tỷ lệ mờ số phần tử thỏa một điều kiện hay mệnh đề nào đó, ví dụ như trong hai ví dụ sau
cùng đề cập ở trên. Chẳng hạn hầu hết chỉ có một số tỷ lệ mờ số phận tử thỏa một mệnh đề
mờ nào đó. Cũng tương tự như vậy ta hiểu cụm từ lượng hóa mờ khoảng một nửa.

Lượng hóa tuyệt đối Q được cho bời một tập mờ Giỏi
1,00
trên tập các số thực dương R+. Chẳng hạn Q là lượng
hóa mờ khoảng 10 sẽ là tập mờ Q cho trong Hình 3- Q : khoảng 10 Q*: hầu hết
13. Lượng hóa tương đối được xác định dựa trên tính
tỷ số giữa bản số của tập mờ và bản số của tập mờ 0,26
giới hạn phạm vi các cá thể được đề cập. Ví dụ, trong 10
0 10
mệnh đề “hầu hết nữ sinh viên khóa 2005 đều có 7
nguyện vọng học khoa CNTT” phạm vi được đề cập Hình 3-13: Tập mờ Q và Q*
là tập các nữ sinh viên khóa 2005. Phạm vi cũng có
thể là tập mờ, chẳng hạn trong mệnh đề “hầu hết nữ sinh viên học giỏi khóa 2005 đều có
nguyện vọng học khoa CNTT” phạm vi là tập mờ “các nữ sinh viên học giỏi khóa 2005”. Khi
đó, lượng hóa tương đối được hiểu là một tập mờ trên đoạn [0;1]. Chẳng hạn, tập mờ Q*
trong Hình 3-13 biểu thị phép lượng hóa hầu hết.

Một cách tổng quát, mệnh đề chứa phép lượng hóa mờ bất kỳ Q có dạng cơ bản sau

p : Có Q cá thể o trong O sao cho X(o) là A, (3.6-10)

trong đó Q là lượng hóa mờ bất kỳ, X là biến và mỗi cá thể o  O, X(o) nhận giá trị trong
miền tham chiếu của tập mờ A.
Ví dụ một mệnh đề như vậy là “Có khoảng 10 sinh viên nói tiếng Anh tốt”, trong đó Q là
“khoảng 10”, O là một tập sinh viên trong một lớp học chẳng hạn, X là biến nhận giá trị chỉ
55
trình độ nói trôi chảy tiếng Anh của sinh viên trong lớp còn A là tập mờ xác định trên tập các
giá trị của biến X biểu thị khái niệm tốt.
Để đơn giản hóa cách viết của (3.6-10), nếu ta ký hiệu giá trị chân lý của mệnh đề “cá thể
o trong O sao cho X(o) là A” là P(o), t.l. P(o) = A(X(o)), thì P sẽ là một tập mờ trên O và
mệnh đề (3-33) trở thành mệnh đề

p’ : Có Q các cá thể o có tính chất P(o) (3.6-11)

Nếu P là tập kinh điển thì số lượng các cá thể o thỏa P(o) chính là số lượng các phần tử của
tập P. Trong trường hợp như trên P là tập mờ, số lượng của P chính là bản số của tập mờ P.
Khi đó, giá trị chân lý của mệnh đề (3.6-11) được xác định bởi độ tương thích của bản số C
của tập mờ P với phép lượng hóa mờ Q, hay nó được xác định bởi mệnh đề sau, với biến C
nhận giá trị trên R+,

p’ : C là Q (3.6-12)

Nếu Q là lượng hóa tuyệt đối, t.l. nó là một tập mờ trên R+, thì giá trị C được tính theo
bản số vô hướng, tức là C(P) = count(P) và giá trị chân lý của (3.6-12) hay cũng là của (3.6-
11) là Q(C).

Ví dụ, chúng ta xét mệnh đề p : “Có khoảng 10 sinh viên nói tiếng Anh tốt” với O =
{Nam, Hoa, Chính, Hùng, Nga}. X là biến chỉ mức độ nói tốt tiếng Anh và giả sử điểm của
các sinh viên này được cho như sau: X(Nam) = 6,5; X(Hoa) = 9,0; X(Chính) = 8,5; X(Hùng)
= 7,0 và X(Nga) = 9,5. Như vậy, tập mờ P được xác định như sau (xem Hình 3-14)

P=  oO
tốt(X(o))/o = 0,35/Nam + 1,0/Hoa + 0,5/Hùng + 0,82/Chính + 1,0/Nga

Khi đó, 1,00 tốt

C(P) = count(P) = 3,67 0,82
0,5
Do đó, gí trị chân lý của mệnh đề p, với Q được cho 0,35
trong Hình 3-13 sẽ là
0 9
6,5 7 8,5 9,5 10
tv(p) = Q(3,67) = 0,26.
Hình 3-14: Tập mờ “tốt”
Một biến tướng của mệnh đề (3.6-10) có dạng
sau

p : Có Q cá thể o trong O sao cho X1(o) là A1 và X2(o) là A2 (3.6-13)

Một ví dụ về mệnh đề dàng này là “Có khoảng 10 sinh viên nói tiếng Anh tốt có dáng người
khá cao”. Như vậy biến X1 chỉ trình độ nói tiếng Anh nhận giá trị trong miền điểm [0;10],
còn biến X2 chỉ dáng người theo chiều cao trong miền [0;200] tính theo cm. A1 là tập mờ biểu
thị khái niệm tốt, A2 là tập mờ biểu thị khái niệm khá cao.

Cũng như trong trường hợp mệnh đề dạng (3.6-10-33), khi đặt

56
 P1(o) = = A1(X1(o)) và P2(o) = = A2(X2(o)) (3.6-14)

ta có thể chuyển mệnh đề p về mệnh đề p’ sau

p’ : Có Q các cá thể o có tính chất (P1(o) và P2(o)),

hay, tương tự như mệnh đề (3.6-12), ta thu được dạng mệnh đề của p’ như sau

p’ : C là Q (3.6-15)

trong đó C là bản số của tập mờ (P1(o) và P2(o)).

Với Q là phép lượng hóa tuyệt đối, C sẽ là bản số vô hướng của tập mờ (P1(o) và P2(o))
và được tính bằng công thức

C(P1  P2) =  oO

min{A1(X1(o)), A2(X2(o))}

và giá trị chân lý của mênh đề (3.6-13) sẽ là

tv(p) = tv(p’) = Q(C(P1  P2))

Trong trường hợp Q là phép lượng hóa tương đối, ta tính tỷ số của các bản số các tập mờ.
Ví dụ, đối với mệnh đề “Hầu hết sinh viên nói tiếng Anh tốt có dáng người khá cao” tỷ lệ
này sẽ là (lưu ý là P2 là tập con của tập P1)

prC(P1  P2) = C(P1  P2)/C(P1)

= ( oO min{A1(X1(o)), A2(X2(o))}) /  oO
A1(X1(o))

và giá trị chân lý của mệnh đề (3.6-13) hay (3.6-15) sẽ được tính bằng công thức Q(prC(P1 
P2)).

3.6.4. Lập luận xấp xỉ đơn điề u kiêṇ

Thuật ngữ lập luận xấp xỉ được L.A. Zadeh sử dụng lần đầu tiên và được nghiên cứu
trong các công trình []. Zadeh xuất phát từ ví dụ sau về phương pháp lập luận của con người:

Tiền đề 1: Nếu vỏ của quả cà chua là đỏ, thì quả cà chua là chín
Tiền đề 2: Vỏ của quả cà chua c là rất đỏ . (3.6-16)
Kết luận: quả cà chua c là rất chín

Tiền đề thứ nhất thể hiện tri thức, sự hiểu biết của chúng ta, tiền đề thứ hai là dữ kiện hay
sự kiện (fact) và kết luận được rút ra từ hai Tiền đề 1 và 2. (3.6-16) được gọi là một lược đồ
lập luận xấ p xỉ đơn điề u kiê ̣n, vì chỉ có một tiền đề có dạng luật nếu-thì.

57
 Chúng ta thường hay gặp kiểu lập luận xấp xỉ như vậy trong suy luận của chúng ta bằng
ngôn ngữ tự nhiên. Câu hỏi đặt ra là liệu chúng ta có thể có một cách tiếp cận tính toán để mô
phỏng phương pháp lập luận nêu trên?

3.6.4.1. Quy tắc suy luận hợp thành

Một cách tổng quát, lược đồ lập luận (3.6-16) được biểu thị như sau với A, A’, B và B’ là
các tập mờ tương ứng trên các không gian tham chiếu U của X và V của Y,

Tiền đề 1: Nếu X là A, thì Y là B

Tiền đề 2: X là A’ . (3.6-17)
Kết luận: Y là B’

Tiền đề 1 biểu thị mối quan hệ giữa hai đại lượng X và Y, với X nhận giá trị trong U và Y
nhận giá trị trong V. Lược đồ lập luận (3.6-17) được gọi là quy tắc cắt đuôi tổng quát hóa
(generalized modus ponens). Nó khác quy tắc cắt đuôi kinh điển ở chỗ sự kiện “X là A’”
trong Tiền đề 2 không trùng với sự kiện trong phần “nếu” hay tiền tố của Tiền đề 1.

Chúng ta thiết lập quy tắc suy luận hợp thành để áp dụng vào lược đồ lập luận (3.6-17)
dựa trên quan sát các trường hợp sau.

1) Trường hợp X và Y có quan hệ hàm số, tức là v = f(u), v  V và u  U. Khi đó, nếu ta
có sự kiện “X là u’” thì ta suy ra v’ = f(u’), nhờ tri thức X xác định hàm Y. Nếu ta có sự kiện
“X là A’”, trong đó A’ là tập con của U, thì ta suy ra được tập B’ = {v’  V: v’ = f(u’) và u’
 U}  V.

2) Trường hợp X và Y có quan hệ được cho bởi quan hệ 2-ngôi kinh điển R  U  V. Khi
đó, nếu ta có sự kiện “X là u’” thì ta suy ra được tập B = {v’  V: (u’, v’)  R}. Tương tự,
nếu ta có sự kiện “X là A’”, trong đó A’ là tập con của U, thì ta suy ra được tập

B’ = {v’  V: (u’, v’)  R và u’  A’}  V

Sử dụng thuật ngữ hàm đặc trưng, với A’, B’ và R là các hàm đặc trưng tương ứng của
các tập A’, B’ và R, công thức tính B’ ở trên có thể viết dưới dạng sau

B’(v’) = u’ U [A’(u’)  R(u’, v’)], v’  V (3.6-18)

3) Trường hợp X và Y có quan hệ được cho bởi quan hệ mờ 2-ngôi R trên U  V. Như
chúng ta biết, ngữ nghĩa của mệnh đề nếu-thì trong (3.6-17) có thể được biểu thị bằng một
quan hệ mờ R trên U  V. Nó được xác định dựa trên tập mờ A trên U và tập mờ B trên V, và
dựa trên ngữ nghiã của phép kép theo mờ đã đươ ̣c nghiên cứu trong Mu ̣c 3.6.2. Tức là,
*
R = Impl(A, B) = A  B, hay R(u, v) = J(A(u), B(v)) (3.6-19)

Sự khác biệt của trường hợp này so với trường hợp đã đề cập trong 2) là thay vì các hàm
đặc trưng chúng ta có các hàm thuộc A’, B’ và R. Vì vậy, nếu ta có sự kiện “X là A’” với A’

58
là tập mờ trên U, thì chúng ta có thể suy luận ra tập mờ B’ được tính bằng công thức được
khái quát hóa từ (3.6-18) như sau

B’(v’) = u’ U [A’(u’)  R(u’, v’)], v’  V (3.6-20)

Như chúng ta đã nghiên cứu trong Mục 3.4, công thức (3.6-20) có thể được biểu diễn ở
dạng ma trận

B’ = A’ o R (3.6-21)

trong đó o là phép hợp thành max-min (max-min composition). Chính vì B’ được suy luận ra
từ công thức (3.6-21) nên phương pháp lập luận xấp xỉ này được gọi là quy tắc suy luận hợp
thành.

Nế u ta thay phép min  bằ ng mô ̣t phép t -norm T nào đó trong (3.6-20) và (3.6-21), ta có
quy tắ c suy luâ ̣n hơ ̣p thành max-T đươ ̣c ký hiê ̣u là oT, cụ thể ta có

B’(v’) = u’ U T(A’(u’), R(u’, v’)), v’  V (3.6-20*)

và

T
B’ = A’  R (3.6-21*)

Ví dụ, xét lược đồ suy luận (3.6-17) với U = {u1, u2, u3} và V = {v1, v2}, A = 0,5/u1 +
1,0/u2 + 0,6/u3 và B = 1,0/v1 + 0,4/v2. Cho sự kiện “X là A’” với A’ = 0,6/u1 + 0,9/u2 +
0,7/u3. Chúng ta sẽ suy luận dựa theo quy tắc suy luận cắt đuôi tổng quát và vì vậy trước hết
* L
chúng ta tính quan hệ mờ R = A  B dựa vào phép kéo mờ theo Lukasiewicz s  t = 1 
L
(1 – s + t). Như vậy, R(u, v) = A(u)  B(v) = 1  (1 – A(u) + B(v)), u  U và v  V. Với
các dự liệu của bài toán, quan hệ mờ R có dạng ma trận sau

1,0 0,9  1,0 0,9 

   
R  1,0 0,4  và do đó, theo (3.7-6), B’ = A’ o R = (0,6 0,9 0,7)  1,0 0,4  = (0,9 0,7)
   
 1,0 0,8   1,0 0,8 

Như vậy, ta suy ra B’ = 0,9/v1 + 0,7/v2.

Quy tắc suy luận hợp thành cũng có thể ứng dụng cho quy tắc modus tollens tổng quát
hóa có dạng lược đồ lập luận sau:

Tiền đề 1: Nếu X là A, thì Y là B

Tiền đề 2: Y là B’. (3.6-22)
Kết luận: X là A’

Lưu ý rằng nói chung B’  B. Khác với quan hệ hàm số, quan hệ mờ R có tính đối xứng
giữa hai biến X và Y, cho nên sử dụng phép hợp thành trên các quan hệ mờ, việc suy luận ra
A’ có thể được tính theo công thức sau với B’ là vectơ cột
59
 A’ = R o B’ (3.6-23)

Chúng ta xét một ví dụ với các dữ kiện giống như trong ví dụ vừa xem xét ở trên, trừ việc
ta không có sự kiện “X là A’” mà ở đây ta lại so sự kiện “Y là B’” với B’ được cho là B’ =
0,9/v1 + 0,7/v2, nghĩa là nó chính là kết luận trong ví dụ trên. Khi đó, quan hệ mờ R vẫn như
đã được tính trong ví dụ trên và kết luận A’ được tính theo (3.6-23) như sau

1,0 0,9 
   0,9 
A’ = R o B’ = 1,0 0,4     = (0,9 0,9 0,9)

   0,7 
 1,0 0,8 

Như vậy, ta đa suy ra được kết luận A’ = 0,9/u1 + 0,9/u2 + 0,9/u3.

Như chúng ta thấy, phép kép theo có vị trí quan trọng trong lập luận. Trong môi trường
thông tin không chắc chắn, chúng ta có nhiều cách biểu diễn ngữ nghĩa của phép kép theo.
Trong Mục 3.6.2 chúng ta đã nghiên cứu về phép kéo theo mờ để làm cơ sở định nghĩa ngữ
nghĩa của các mệnh đề điều kiện nếu-thì hay các luật mờ và chúng ta đã liệt kê một danh
sách các phép kéo theo. Để dễ tích ứng với thực tiễn đa dạng và phức tạp, về nguyên tắc,
danh sách như vậy càng dài càng tốt. Vì vậy, sau đây chúng ta trình bày một số ý tưởng định
nghĩa các phép kéo theo mờ để “thâu tóm” ngữ nghĩa của luật.

Để cho gọn và dễ hiểu, trước hết chúng ta trình bày về việc biểu diễn ngữ nghĩa của luật
mờ bằng biểu thức của đại số của quan hệ mờ nêu trong Bảng 3.6-1 dưới đây, trong đó một
số phép kéo theo đã liệt kê trong Mục 3.6.2. Tuy nhiên, cần lưu ý là, do tính phong phú của
các biểu thức giải tích, không phải biểu thức giải tích nào của phép kéo theo cũng viết được
dưới dạng biểu thức đại số tập hợp.

Bảng 3.6-1. Biểu thức đại số của quan hệ biểu thị ngữ nghĩa của luật
Phép kéo theo Biểu thức giải tích Jb(A(u), B(v)) Biểu thức đại số của R
Kleen-Dienes max[1 – A(u), B(v)] CA  V  U  B
Mamdani min(A(u), B(v)) (A  V)  (U  B)2
Zadeh 1973 max[min(A(u), B(v)), 1 – A(u)] ((A  V)  (U  B))  CA
Reichenbach 1 – A(u) + A(u)B(v) CA  B

Bây giờ ta trình bày một số ý tưởng trực quan về sự “thâu tóm” ngữ nghĩa của phép kéo
theo trong ngôn ngữ tự nhiên.

(1) Khi ta khẳng định A là đúng thì mệnh đề phủ định A cũng cung cấp một lượng thông
tin nhất định.

2
Mặc dù min(A(u), B(v)) có thể biểu diễn bằng A  B nhưng biểu thức đại số này phản ánh đúng bản chất ngữ
nghĩa hơn là tích Đề-các.
60
 Trong lôgic kinh điển điều này là hiển nhiên, hay từ giá trị chân lý của A ta suy ra giá trị
chân lý của A. Điều này không luôn luôn đúng trong lôgic mờ. Tuy nhiên, chúng ta có thể
tận dụng ý nghĩa trực quan này để bổ sung vào định nghĩa của phép kéo theo hay quan hệ
mờ. Chẳng hạn ta có thể định nghĩa quan hệ mờ R như sau:

- Quan hệ R dựa trên phép kéo theo Mamdani không có thông tin liên quan đến A, khi
thêm thông tin này ta có quan hệ được Zadeh định nghĩa năm 1973 cho trong Bảng 3.6-1.

- Quan hệ R xác định dựa trên phép kéo theo “tích” được cho như sau

R(u, v) = Jproduct(A(u), B(v)) = A(u) . B(v).

Để bổ sung thông tin liên quan đến A ta có thể thiết lập quan hệ sau:

R(u, v) = max [A(u) . B(v), 1 A(u)]

(2) Một khẳng định A  B bao giờ cũng cho ta một thông tin nào đó về khẳng định A
 B. Chẳng hạn, khi ta khẳng định “Người trẻ thì chạy nhanh” thường kéo theo một khẳng
định “Người già thì chạy chậm” ở mức độ tin cậy nào đó. Nhận xét trực quan này gợi ý cho
ta một cách bổ sung thông tin vào định nghĩa phép kéo theo như sau: Nếu R được định ngĩa
dựa trên một phép kéo theo J(A(u), B(v)) nào đó, thì ta có thể sinh một định nghĩa khác như
sau:

R(u, v) = max [J(A(u), B(v)), J((A)(u), (B)(v))],


hay, ở dạng biểu thức đại số, trong đó  ký hiệu phép kéo theo J,
 
R = (A  V  U  B)  (A  V)  (U  B).

g
Chẳng hạn, nếu J là phép kéo theo Goedel, hay Rg = A  V  U  B, thì ta có một định
nghĩa khác là
g g
Rgg = (A  V  U  B)  (A  V)  (U  B);
z
Nếu J là phép kéo theo Zadeh, hay Rz = A  V  U  B, thì ta có một định nghĩa khác là
z z
Rzz = (A  V  U  B)  (A  V)  (U  B).

Cũng với ý tưởng trực quan này nhưng không nhất thiết hai phép kéo theo là giống nhau,
chẳng hạn ta có thể định nghĩa quan hệ sau để biểu diễn luật:

z g
Rzg = (A  V  U  B)  (A  V)  (U  B),
hay
g z
Rgz = (A  V  U  B)  (A  V)  (U  B).

61
 v.v…

3.6.4.2. Viê ̣c lƣ̣a chọn phép kéo theo mờ cho phƣơng pháp lập luận xấp xỉ

1) Đối với quy tắc cắt đuối tổng quát hóa

Để thấ y rõ vai trò của phép kéo theo mờ , dựa vào (3.6-20*) công thứ (3.6-21*) có thể viết
cụ thể như sau, trong đó B’(v), A(u) và R(u, v) là các hàm thuộc tương ứng của các tập mờ B,
A và R,

B’(v) = u’ U T[A’(u’), J(A(u’), B(v))], v  V (3.6-24)

Mô ̣t câu hỏi đă ̣t ra là mô ̣t phương pháp lâ ̣p luâ ̣n khi nào đươ ̣c xem là tố t hay phù hơ ̣p .
Mô ̣t tiêu chuẩ n đánh giá mức đô ̣ phù hơ ̣p là khi quay trở về lâ ̣p luâ ̣n kinh điể n , tức là khi A’
= A thì ta cần có B’ = B3, hay ta cầ n có

B(v) = u’ U T[A(u’), J(A(u’), B(v))], v  V (3.6-25)

Để trả lời cho câu hỏi này, ta có đinh

̣ lý sau

Đinh
̣ lý 3.6.4-1. Giả sử rằng phép t -norm T là hàm liên tục, phép kéo theo mờ được chọn
là phép JT, t.l. JT(s, t) = supu {u : T(s, u)  t}. Khi đó , nế u A là tập mờ chuẩn thì phương
pháp lập luận xấp xỉ thỏa điều kiện (3.6-25).

Chứng minh: Theo đinh ̣ nghiã của phép JT(s, t), ta có T(s, JT(s, t))  t. Với s = A(u) và t
= B(v) ta thu đươ ̣c biể u thức T(A(u), JT(A(u), B(v)))  B(v), với mo ̣i u  U và v  V. Mă ̣t
khác, do A là tập mờ chuẩn , t.l. tồ n ta ̣i u0  U sao cho A(u0) = 1, ta suy ra T(A(u0), JT(A(u0),
B(v))) = JT(1, B(v))) = B(v) và điều này chứng tỏ phép kéo theo mờ JT thỏa (3.6-25). 

Đinh
̣ lý 3.6.4-2. Nế u tâ ̣p mờ A có miền trị phủ toàn đoạn [0, 1], thì các phép kéo theo mờ
sau thỏa điề u kiê ̣n (3.6-25) đố i với bấ t kỳ phép t-norm T nào:

(i) Phép kéo theo Gaines-Rescher Jg-r;

(ii) Phép kéo theo Goedel Jg;
(iii) Phép kéo theo Wu Jwu.

Chứng minh: Trước hế t chúng ta chứng minh trường hơ ̣p khó hơn trước.
(iii) Với mỗi v  V, ta tính biể u thức sau và nhớ rằ ng miề n tri ̣của A phủ toàn bộ đoạn
[0;1]:
supuU T(A(u), Jwu(A(u), B(v))) = sups[0, 1] T(s, Jwu(s, B(v)))

3
Bạn đọc có thể s uy nghi ̃ trên quan điể m của mình về mức đô ̣ hơ ̣p lý của tiêu chuẩ n này trước khi xem đoa ̣n
chú thích tiếp theo. Ý kiến các tác giả cuốn sách này là , chúng ta đang dùng lý thuyết tập mờ , mô ̣t lý thuyế t cho
phép thao tác chín h xác dựa trên các đố i tươ ̣ng toán ho ̣c và các phép tin
́ h trên chúng , để mô phỏng các phương
pháp lập luận “áng chừng” của con người bằng các phương pháp lập luận được gọi là xấ p xỉ. Vì vậy việc áp đặt
rứt khoát B’ = B là một ràng buộc quá chặt . Mô ̣t tiêu chuẩ n kiể u xấ p xỉ B’  B theo mô ̣t nghiã nào đó có thể
mề m dẻo và hơ ̣p lý hơn.
62
 = max{sups  B(v)T(s, Jwu(s, B(v))), sups > B(v)T(s, Jwu(s, B(v)))}

= max{sups  B(v)T(s, 1), sups > B(v)T(s, min(1-s, B(v))}

= max{B(v), sups > B(v)T(s, min(1-s, B(v))}

= B(v),

vì, do T đơn điê ̣u tăng theo từng biế n , T(s, min(1-s, B(v))  T(1, B(v)) = B(v). Đề u này nói
rằ ng (3.6-25) đúng đố i với phép kéo theo mờ Wu.

Đới với trường hợp (i) và (ii) ta chứng minh hoàn toàn tương tự nhưng viê ̣c tính toán đơn
giản hơn. Chẳ ng ha ̣n, đố i với trường hơ ̣p (i), ta thấ y

supuU T(A(u), Jg-r(A(u), B(v))) = sups[0, 1] T(s, Jg-r(s, B(v)))

= max{sups  B(v)T(s, Jg-r(s, B(v))), sups > B(v)T(s, Jg-r(s, B(v)))}

= max{sups  B(v)T(s, 1), sups > B(v)T(s, 0)}

= max{B(v), 0} = B(v),

vì, T(s, 0)  T(1, 0) = 0. 

Để dễ so sánh , chúng ta cho các kết quả nghiên cứu về vấn đề này đối với các phép kéo
theo đã đề câ ̣p ở trên trong Bảng 3.6-1.

Bảng 3.6-1: Quy tắ c cắ t đuôi tổ ng quát hóa

Tên t-norm t-norm t-norm t-norm
phép kéo theo min tích đại số hiêụ giới nô ̣i giao chă ̣t
Gaines-Rescher B B B B
Goedel (Jg) B B B B
Goguen (J) B1/2 B B B
Kleene-Dienes max{1/2, B} max{1/4, B} B B
Lukasiewicz (Ja) 1
2
(1  B) 1
4 (1  B) 2 B B

1 1
Reichenbach (Jr) max{B, } B B
2B 4  4 min(B,1 / 2)

Wu (Jwu) B B B B

2) Đối với quy tắ c modus tollens tổ ng quát hóa

63
 Tương tự như đố i với trường hơ ̣p nghiên cứu về viê ̣c l ựa chọn phép kéo theo mờ đối với
phương pháp lâ ̣p luâ ̣n xấ p xỉ dựa trên quy tắc suy luận cắ t đuố i tổ ng quát hóa ở trên, mô ̣t tiêu
chuẩ n lựa cho ̣n phép kéo theo mờ là khi sự kiê ̣n đầ u vào B’ := B thì kết luận hay đầu ra của
quy tắ c suy luâ ̣n phải là A’ = A4, hay chúng ta phải có

N(A(u)) = supvV T(N(B(v)), J(A(u), B(v))) (3.6-26)

Tương tự như viê ̣c nghiên cứu đố i với quy tắ c cắ t đuôi tổ ng quát hóa ở trên , kế t quả lâ ̣p
luâ ̣n A’ khi sử du ̣ng quy tắ c modus tollens tổ ng quát hóa với giá tri ̣đầ u vào B’ = B đươ ̣c cho
trong Bảng 3.6-2.

3.6.4.3. Xây dƣ̣ng phƣơng pháp lập luận dƣ̣a trên phƣơng trình quan hê ̣ mờ

Trong hai Mu ̣c 3.6.4.2 chúng ta đã trình tiêu chuẩn lựa chọn phép kéo theo mờ J để xác
đinh
̣ quan hê ̣ R sao cho nó thỏa biể u thức

B = A o R (3.6-27)

đố i với quy tắ c cắ t đuôi tổ ng quát hóa , và thỏa biểu thức

N(A) = R o N(B) (3.6-28)

đố i với quy tắ c modus tollens tổ ng quát hóa.

Như vâ ̣y, bản chất của việc tìm một phương pháp lập luận xấp xỉ là việc xác định quan hệ
mờ R mô ̣t cách phù hơ ̣p. Tuy nhiên, khi quan sát hai biể u thức (3.6-27) và (3.6-28), chúng ta
có thể coi chúng như là các phương triǹ h quan hê ̣ mờ và bài toán xây dựng mô ̣t phương pháp
lâ ̣p luâ ̣n xấ p xỉ trở thành viê ̣c giải phương trình quan hệ mờ (3.6-27) hay (3.6-28) đển tìm lời
giải R khi cho biế t các “quan hê ̣ mờ” A và B.

Bây giờ chúng ta đi nghiên cứu mô ̣t số phương pháp giải các phương triǹ h quan hê ̣ ở hai
dạng nếu trên.

Bảng 3.6-2: Quy tắ c modus tollens tổ ng quát hóa

Tên t-norm min t-norm t-norm
t-norm
phép kéo theo tích giao chă ̣t
hiêụ giới nô ̣i
đa ̣i số
Gaines-Rescher A A A A
Goedel (Jg) max{1/2, A} max{1/4, A} A A
1
Goguen (J) max{1/(4A), A} A A
1 A
Kleene-Dienes max{1/2, A} max{1/4, A} A A

4
Xem chú thić h ngay trước .
64
Lukasiewicz (Ja) (1  12 A) 1
4 ( A  2) 2 A A

 1
 4 A(u ) A(u )  1
2
1
Reichenbach (Jr)  A A
1 A 
(A)(u ) A(u )  1
2

Wu (Jwu) A A A A

1) Phƣơng trình quan hê ̣ mờ

Cho các quan hê ̣ mờ 2-ngôi P(u, v), Q(v, w) và R(u, w), với u  U, v  V và w  W. Đối
với viê ̣c nghiên cứu phương trình quan hê ,̣ chúng ta giới hạn việc xét các quan hệ mờ rời rạc ,
t.l. U, V và W là các tập hữu hạn

U = {ui : i = 1, …, n}, V = {vj : j = 1, …, m} và W = {wk : k = 1, …, l}

Khi đó các quan hê ̣ mờ có thể biể u thi ̣ở da ̣ng ma trâ ̣n.

Xét phương trình quan hệ mờ

T
R = P  Q (3.6-29)

Giả sử rằng các quan hệ R và Q là các dữ kiện cho trước. Bài toán đặt ra là tìm quan hệ mờ P
T
sao cho nó thỏa phương triǹ h quan hê ̣ (3.6-29). Vì phép  không giao hoán , mô ̣t bài toán
tương tự là, cho trước R và P, tìm quan hệ Q sao cho nó thỏa phương trình (3.6-19).

Công thức (3.6-29) cũng có thể được xem như là một sự phân tích quan hệ R thành quan
hê ̣ Q khi cho trướ c P, hoă ̣c mô ̣t sự phân tić h quan hê ̣ R thành quan hệ P khi cho trước quan
hê ̣ Q.

T
Vì các quan hệ có thể biể u thi ̣ở da ̣ng ma trâ ̣n , như chúng ta đã biết , phép hơ ̣p thành “  ”
ứng với phép t -norm T sẽ là phép tích ma trận tương tự như phép tích ma trận thông thường ,
với phép nhân là phép t -norm T và phép cộ ng là phép lấ y max . Vì vậy chúng ta có thể sử
dụng công cụ ma trận để giải phương trình (3.6-29).

Mô ̣t cách tổ ng quát , các quan hệ trong (3.6-29) có thể suy biến thành các các ma trận một
hàng hay một cột . Chẳ ng ha ̣n, R và P có thể suy biên thành hai vectơ hàng , hoă ̣c R và Q là
hai vectơ cô ̣t.

 Vấ n đề phân hoạch bài toán

Trước hế t ta xét bài toán cho trước ma trâ ̣n R và Q, hãy xác định tập các ma trận S(Q, R)
thỏa phương trình (3.6-29), t.l. xác định tập lời giải của phương triǹ h (3.6-29)

S(Q, R) = {P : P o Q = R} (3.6-30)

65
trong đó, phép hợp thành o đươ ̣c giới ha ̣n là phép hơ ̣p thành max-min.

Không mấ t tính chấ t tổ ng quát có thể thấ y dễ dàng và tự nhiên rằ ng bài toán này s ẽ được
phân tách thành tâ ̣p các bài toán biể u thi ̣bằ ng phương triǹ h ma trâ ̣n sau

pi o Q = ri (3.6-31)

trong đó i = 1, …, n, và các vectơ hàng pi = (pij : j = 1, …, m) và ri = (rik : k = 1, …, l). Công

thức (3.6-31) có nghĩa,

rik = max1jm min(pij, qjk) (3.6-32)

Ký hiệu tập các lời giải của phương trình (3.6-31) là

Si(Q, ri) = {pi : pi o Q = ri} (3.6-33)

với i = 1, …, n. Khi đó lời giải của phương trình (3.6-29) sẽ là vectơ cột

 p1 
 
 p2 
. 
P=  , với pi  Si(Q, ri) với mo ̣i i = 1, …, n.
. 
 
. 
p 
 n
Mô ̣t câu hỏi đă ̣t ra là khi nào phương trình ma trân (3.6-31) có nghiệm hay không có
nghiê ̣m, hay khi nào Si(Q, ri)  ?
Từ công thức (3.6-32) co thể thấ y ngay là nế u

max1jm qjk < max1in rik (3.6-34)

với mô ̣t chỉ số k nào đó, thì Si(Q, ri) = , nghĩa là không có một ma trận P nào thỏa mãn
phương trình ma trâ ̣n (3.6-29).

Ví dụ 3.6-1. Xét phương trình ma trận dạng (3.6-29) sau

 0,9 0,5 
 p11 p12 p13     0,6 0,3 
    0,7 0,8    ,
p p p     0, 2 1,0 
 21 22 23     
1,0 0,4 

với ma trâ ̣n thứ nhấ t P là ẩn số. Bài toán đặt ra là xác định tập nghiệm S(Q, R). Như chúng ta
đã triǹ h bày ở trên , bài toán này được phân hoạch thành một tập các bài toán con dạng (3.6-
31) sau

66
  0,9 0,5 
 
p 11 p12 p13  
  0,7 0,8   0,6 0,3
 

1,0 0,4 
 
và
 0,9 0,5 
 
 

p21 p22 p23   0,7 0,8   0,2 1,0 .

 
1,0 0,4 
 
Tuy nhiên, với k = 2, i = 2, ta có r22 = 1,0 và chúng ta kiểm chứng thấy

max1jm qjk = max(0,5 0,8 0,4) < 1,0 = r22.

Vâ ̣y, phương triǹ h ma trân đã cho không có nghiê ̣m, t.l. S(Q, R) = .

Sau đây chúng ta nghiên cứu phương pháp giải phương triǹ h (3.6-29) hoă ̣c (3.6-31), kể cả
phương pháp giải xấ p xỉ trong trường hơ ̣p S(Q, R) = .

 Phƣơng pháp giải phƣơng trình ma trận với phép hợp thành max-min

Xét phương trình quan hệ

poQ=r (3.6-35)

của một phân hoạch nào đó , t.l. ta bỏ qua chỉ số phân hoa ̣ch i trong phương trình (3.6-31).
Trước hế t, chúng ta khảo sát cấu trúc của tập lời giải của phương trình (3.6-35), S(Q, r) = {p
: p o Q = r}.

Gọi P = {p = (p1, …, pm) : pj  [0, 1], j = 1, …, m}, t.l. p là tập mờ trên không gian V.
Trên P ta đinh ̣ nghiã quan hê ̣ thứ tự bô ̣ phâ ̣n  trên các vectơ , t.l. p  p’ nế u và chỉ nế u pj 
p’j, với mo ̣i j = 1, …, m. Với bây kỳ 2 phầ n tử p và p’, với p  p’, ta đinh ̣ nghiã đoa ̣n

[p, p’] = {p’’: p  p’’  p’}.

Chúng ta biết rằng tập [p, p’] sẽ tạo thành một dàn (lattice).

Dựa trên cấ u trúc P ta đinh

̣ nghiã mô ̣t số khái niê ̣m sau.

Xét tập lời giải hay tập nghiệm S(Q, r). Phầ n tử p* của S(Q, r) đươ ̣c go ̣i là nghiê ̣m tố i đại
nế u với mo ̣i p  S(Q, r), ta có p  p*  p = p*, t.l. không tồ n ta ̣i mô ̣t nghiê ̣m của (3.6-35)
nào thực sự lớn hơn p*. Nghiê ̣m p* đươ ̣c go ̣i là lớn nhấ t nế u p*  p, với p  S(Q, r).

Mô ̣t cách tương tự , p*  S(Q, r) đươ ̣c go ̣i là nghiê ̣m tố i tiể u nế u với mo ̣i p  S(Q, r), ta
có p  p*  p = p*, t.l. không tồ n ta ̣i mô ̣t nghiê ̣m của (3.6-35) nào thực sự nhỏ hơn p*.
Nghiê ̣m pv đươ ̣c go ̣i là nhỏ nhấ t nế u pv  p, với p  S(Q, r).

67
 Người ta đã xác định được cấu trúc của tập nghiệm S(Q, r) như sau:

- Tập S(Q, r) luôn tồn tại nghiệm lớn nhất p*; p* nghiệm lớn
nhất
- Tập S(Q, r) chứa nhiều nghiệm tối tiểu, t.l.
nhìn chung phương trình (3.6-35) không có
nghiệm nhỏ nhất;
- Với p’ là một nghiệm tối tiểu và p* là nghiệm
lớn nhất của (3.6-35), ta có [p’, p*]  S(Q, r).
Nói khác đi, khi ký hiệu Smin = Smin(Q, r) là
tâ ̣p các nghiệm tối tiểu của S(Q, r), ta có 1
pv nghiệm
tối tiểu 2
pv nghiệm tối
S(Q, r) =  p*S*
[ p* , p * ]
tiểu . . . nghiệm
. t
pv
tối tiểu
Trên Hình 3.6-1 chúng ta thây hình ảnh cấu trúc Hình 3.6-1. Cấ u trúc tâ ̣p S(Q, r)
tâ ̣p nghiê ̣m S(Q, r) với chỉ mô ̣t nghiê ̣m lớn nhấ t và
mô ̣t số nghiê ̣m tố i tiể u còn tâ ̣p [lpv, p*] biể u thi ̣bằ ng hiǹ h chiế c lá.

Bây giờ ta xem xét phương pháp hay thủ tu ̣c xác đinh
̣ cấ u trúc S(Q, r).

(i) Xác định nghiệm lớn nhất : Người ta cũng chứng tỏ rằ ng nế u S(Q, r)   thì nghiệm
lớn nhấ t p* = ( p *j : j = 1, …, m) đươ ̣c xác đinh
̣ như sau

rk if q jk  rk
p *j = min1≤ k ≤ l (qjk, rk), với (qjk, rk) =  (3.6-36)
1 otherwise

và nếu p* không thỏa mañ phương triǹ h (3.6-35) thì S(Q, r) = , nghĩa là việc tồn tại nghiệm
̣ bởi (3.6-36) là điều kiện cần và đủ để S(Q, r)  .
lớn nhấ t đươ ̣c xác đinh

(ii) Xác định tập nghiệm tối tiểu Smin(Q, r): Để xác đinh ̣ đươ ̣c cấ u trúc của tâ ̣p S(Q, r),
tiế p theo ta chỉ cần xác định tâ ̣p Smin(Q, r), t.l. ta giải bài toán tìm trong các phần tử p  p*,
tất cả các nghiệm tối tiểu của (3.6-35). Không mấ t tính tổ ng quát giả thiế t rằ ng r1  …  rs >
0, với s  l, nghĩa là giả thiết này kéo theo việc ta chỉ xét phương trình (3.6-35) với viê ̣c rút
gọn vectơ r xuố ng còn s thành phần. Thực vâ ̣y, nế u các thành phầ n của vectơ hàng r không
phải là dãy số đơn điệu không tăng , ta chỉ cần thực hiê ̣n mô ̣t phép hoán vị thích hơ ̣p các vi ̣
trí của chúng . Ta có quyề n làm đươ ̣c điề u mày vì tâ ̣p chỉ số của vectơ r tương ứng với các
phầ n tử của không gian W mà các phần tử của nó không bị buô ̣c phải đươ ̣c xắ p thứ tự. Sau
đó, để không làm thay đổi phương trình ma trận (3.6-35) chúng ta thực hiện chính phép hoán
vị đó đối với các chỉ số cột của ma trận Q (lưu ý rằ ng chỉ số cô ̣t của Q trùng với chỉ số các
thành phần của r). Ngoài ra, với thành phần rk = 0, k > s, ta có thể loa ̣i bỏ thành phầ n này của
vectơ r và cột thứ k của Q, vì nế u p là nghiệm của phương trình (3.6-35) đã đươ ̣c rút go ̣n thì
ta cũng có max1j m min{pj, qjk} = rk = 0. Thực vậy, vì p* là nghiệm nên ta phải có

max1j m min{ p *j , qjk} = rk = 0. (3.6-37)

68
Từ đây ta suy ra nếu qjk  0 thì p *j = 0 và nếu qjk = 0 thì p *j có thể nhận giá trị tùy ý trong [0,
1] mà ta vẫn có đẳng thức (3.6-37). Vì p  p*, nên ta có pj = 0 đối với j mà qjk  0 và do đó p
thỏa mãn (3.6-37). Như vậy mọi nghiệm của phương trình (3.6-35) rút gọn đều là nghiệm của
phương trình gốc.

Bây giờ ta chỉ ra rằng ta có thể rút gọn tiếp phương trình (3.6-35) bỏ các dữ liệu liên quan
đến các chỉ số j mà p *j = 0. Cụ thể đối với những chỉ số j này ta loại bỏ thành phần p *j của
vectơ p* và hàng thứ j của ma trận Q. Khi đó, nếu p là nghiệm của pgương trình (3.6-35) rút
gọn, thì khi khôi phục lại thành phần thứ j đã loại với giá trị bằng 0 ta sẽ thu được nghiệm
của phương trình gốc, t.l. việc p được khôi phục như vậy sẽ thỏa phương trình gốc.

Như vậy, chúng ta có thể giả thiết rằng mọi thành phần của vectơ nghiệm lớn nhất p* và
vectơ r đều khác 0, t.l. p *j  0, với j = 1, …, m, và rk  0, với k = 1, …, l. Khi đó, cho trước
Q, r và p* thỏa mãn các điều kiện trên, tập nghiệm tối tiểu của phương trình rút gọn (3.6-35)
được xác định bằng một thủ tục.

Để tránh việc trình bày các kỹ thuật phức tạp chúng ta sẽ không chứng minh tính đúng
đắn của thủ tục này. Nhưng để nắm được ý tưởng của thủ tục ta nêu ra một số nhận xét trực
quan.

Ta viết lại công thức (3.6-32) để xem xét, với lưu ý rằng ta bỏ qua chỉ số i trong công
thức này vì ta đang xét bài toán của một phân hoạch với phương trình (3.6-35):

rk = max1jm min(pj, qjk), (*)

trong đó pj là thành phần của một vectơ nghiệm tối tiểu nào đó. Như vậy, phải có những chỉ
số j để min(pj, qjk) = rk, với mọi k. Vì p là tối tiểu nên, đối với những chỉ số j như vậy, ta phải
có pj = rk. Đối với những chỉ số j’ khác, giá trị pj’ của vectơ p không ảnh hưởng đến kết quả
của công thức (*), vì min(pj’, qjk) < rk. Vì vậy, vì p là tối tiểu nên pj’ = 0. Vì vậy, các bước
chính của thủ tục xác định tập Smin(Q, r) bao gồm:

1. Xác định các tập Jk(p*) = {j: 1  j  m, min( p *j , qjk) = rk}, k = 1, …, l.

Thiết lập tich Đề-các
J(p*) = J1(p*)  J2(p*)  …  Jl(p*).

Ký hiệu các phần tử của J(p*) là  = (k : k = 1, …, l).

2. Đối với mỗi   J(p*) và mỗi chỉ số j, 1  j  m, ta xác định tập sau

K(, j) = {k : 1  k  l, k = j}.

3. Với mỗi phần tử   J(p*), ta sinh các vectơ sau g() = (gj(): j = 1, …, m), trong đó

max kK (  , j ) rk if K (  , j )  ,

gj() =  .

0 otherwise

69
 4. Lựa cho ̣n trong các vectơ m-chiề u đươ ̣c sinh ra trong Bước 3 những phầ n tử tố i tiể u
theo quan hê ̣ thứ tự mô ̣t phầ n trong P. Các phần tử như vậy tồn tại vì số các phần tử g() là
hữu ha ̣n và chúng là tâ ̣p tấ t cả các nghiê ̣m tố i tiể u .

Ví dụ 3.6-2. Cho trước quan hê ̣ Q và r như sau:

 0,1 0,4 0,5 0,1 


 0,9 0,7 0,2 0,0 
Q= 
 0,8

và r = 0,8 0,7 0,5 0,0 
1,0 0,5 0,0 
 
 0,1 0,3 0,6 0,0 


Hãy xác định tập tất cả các nghiệm S(Q, r) của (3.6-35).

(i) Trước hế t ta xác đinh

̣ nghiê ̣m lớn nhấ t p* dựa vào công thức (3.6-36). Ta có,

p1* = min(1,0 1,0 1,0 0,0) = 0,0

p 2* = min(0,8 1,0 1,0 1,0) = 0,8
p3* = min(1,0 0,7 1,0 1,0) = 0,7
p 4* = min(1,0 1,0 0,5 1,0) = 0,5

và p* = (0,0 0,8 0,7 0,5). Chúng ta có thể kiể m chứng rằ ng p* là nghiệm và do đó S(Q, r)
 .

(ii) Xác định các nghiệm tối tiểu : Do p1* = 0,0 và r4 = 0,0 ta có phương trình ma trâ ̣n rút
gọn sau:

 0,9 0,7 0,2 

 
p 2 p3 
 

p4   0,8 1,0 0,5   0,8 0,7 0,5 .
 0,1 0,3 0,6 
 

Bây giờ ta thức hiê ̣n thủ tu ̣c 4 bước đã trình bày ở trên.

1. Với p* = (0,8 0 ,7 0 ,5), ta có J1(p*) = {2}, J2(p*) = {2, 3} và J3(p*) = {3, 4}. Vâ ̣y,
J(p*) = {2}  {2, 3}  {3, 4}. (Lưu ý rằng, sau khi rút gọn, j = 2, 3, 4 còn k = 1, 2, 3).

2. Tâ ̣p K(, j) và các vectơ g(),   J(p*) = {2}  {2, 3}  {3, 4}, đươ ̣c xác đinh
̣ và liệt
kê trong Bảng 3.6-3 sau:

Bảng 3.6-3: Kết quả Bước 2 và 3 trong Ví dụ 3.6-2

70
 j := g()
K(, j) 2 3 4 j := 2 3 4
 = 223 {1, 2} {3}  (0,8 0,5 0,0)
224 {1, 2}  {3} (0,8 0,0 0,5)
233 {1} {2, 3}  (0,8 0,7 0,0)
234 {1} {2} {3} (0,8 0,7 0,5)

3. Đối với mỗi   J(p*), ta sinh các vectơ g() được cho trong cột cuối của Bảng 3.6-3.

4. Dựa trên quan hệ thứ tự trên P, ta thấy có hai vectơ tối tiểu là (0,8 0,5 0,0) và (0,8 0,0
0,5) và chúng là lập thành tất cả các nghiệm tối tiểu của phương trình ma trận đã cho. Quay
về phương trình gốc chưa rút gọn, nghiệm tối tiểu thu được bằng việc thêm thành phần p1* =
0,0 và, do đó, ta thu được S*(Q, r) = {(0,0 0,8 0,5 0,0), (0,0 0,8 0,0 0,5)}.

3.6.4.4. Lập luận với phƣơng trình quan hệ dựa trên các phép hợp thành sup-T

Xét phương trình ma trận

T
P  Q=R (3.6-38)

trong đó, thay vì phép hợp thành max-min, oT ở đây là phép hợp thành sup-T với phép t-norm
T, còn các ký hiệu liên quan đến các quan hệ P, Q và R hoàn toàn giữ nguyên như trong mục
trên. Tương tự như trong Mục 3.6.4.3, bài toán đặt ra là cho trước các ma trận Q và R, hãy
tìm nghiệm ma trận P. Ta sẽ sử dụng cùng các ký pháp như trong mục trước, chẳng hạn S(Q,
R) là tập tất cả các nghiệm của (3.6-38), p* là nghiệm lớn nhất, t.l. nó là phần tử lớn nhất của
S(Q, R) trong tập sắp thứ tự một phần P.

Như ta biết, phương trình (3.6-38) biểu thị một tập các phương trình có dạng

sup1jm T(pij, qjk) = rik (3.6-39)

với mọi i = 1, …, n và k = 1, …, l, và T là một phép t-norm cho trước.

Để giải bài toán này, chúng ta nghiên cứu hai loại phép tính hợp thành được gọi là phép
hợp thành sup-T (hay max-T, trong trường hợp hữu hạn) và phép hợp thành infIT.

1) Phép hợp thành sup-T trên các quan hệ mờ

Khái quát hóa của phép hợp thành sup -min, hay max -min trong trường hơ ̣p hữu ha ̣n , là
T
phép hợp thành sup-T, ký hiệu là  , đươ ̣c đinh
̣ nghĩa như sau:

T
(P  Q)(u, w) = supv  V T(P(u, v), Q(v, w)) (3.6-40)

với u  U và w  W. Như vâ ̣y nó trở về phép hơ ̣p thành sup-min khi thay phép t-norm T
bằ ng phép t-norm min ().

71
 Giả sử P, Pj là các quan hệ mờ trên U  V, Q và Qj là các quan hệ mờ xác dịnh trên U 
W và R là quan hệ mờ xác định trên W  Z, trong đó chỉ số j  J. Khi đó , chúng ta có thể
kiể m chứng tính đúng đắ n của các tính chấ t sau:

T T T T
(i) (P  Q)  R = P  (Q  R), (tính chất kết hợp của phép oT)


T
(ii) P  ( jJ Q j ) = jJ
(P  Q j ) ,

 
T
(iii) P  ( Qj )  (P  Q j ) ,
jJ jJ


T
(iv) ( jJ Pj )  Q = jJ
( Pj  Q) ,

T T
(v) ( jJ
Pj )  Q   jJ
( Pj  Q) ,

T T
(vi) (P  Q)t = Qt  Pt, trong đó phép “ t” là phép chuyể n vi ̣ma trâ ̣n hàng
thành cột hay, mô ̣t cách tương đương , chuyể n cô ̣t
thành hàng;

T T T T
(vii) Q1  Q2  (P  Q1  P  Q2) & (Q1  P  Q2  P).

Bây giờ ta chỉ xét trường hơ ̣p mà tấ t cả các quan hê ̣ mờ 2-ngôi đề u xác đinh
̣ trên k hông
gian U  U, hay go ̣i đơn giản là các quan hê ̣ 2-ngôi trên U. Tâ ̣p tấ t cả các quan hê ̣ như vâ ̣y
đươ ̣c kí hiê ̣u là R(U). Tương tự như trong Mu ̣c 3.4.3, ở đây ta có khái niệm T-bắ c cầ u:

T
Quan hê ̣ 2-ngôi R trên U là T-bắ c cầ u nế u và chỉ nế u R  R  R.

Nế u R không phải là T-bắ c cầ u ta đinh

̣ nghiã bao đóng T-bắ c cầ u của nó , ký hiệu là RT, là
quan hê ̣ T-bắ c cầ u nhỏ nhất chứa R. Để nghiên cứu bao đóng T-bắ c cầ u của quan hê ̣ R, ta đưa
T
ra ký pháp sau : Ký hiệu R2(T) = R, R2(T) = R  R và, bởi quy na ̣p, ta đinh
̣ nghiã Rk(T) = Rk-1(T)
T
 R. Nế u không có gì nhầ m lẫn , để cho gọn , ta loa ̣i bỏ kí hiê ̣u (T) ở số mũ , t.l. thay vì viế t
T
Rk(T) ta viế t Rk. Theo tính chất kết hợp của oT, ta có Rk  Rl = Rk+l.

T
Theo định nghĩa của phép  , ta có thể thấy rằng

Rk(u, v) = sup z1 ,...,zk 1 T ( R(u, z1 ), R( z1 , z 2 ),...,R( z k 1 , v)) (3.6-41)

72
 Đinḥ lý 3.6.4-3. Với mo ̣i quan hê ̣ 2-ngôi trên U, bao đóng T-bắ c cầ u của R đươ ̣c tiń h theo
công thức sau:
RT =  1n
Rn (3.6-42)

Chứng minh : Trước hết ta chứng minh quan hệ S =  R n thỏa tính chất bắc cầu.
1n
Thực vậy, theo tính chất (iv) và (ii), ta thấy

   
T T
S  S = Rn  Rm = (R n  Rm )
1n 1m 1n 1m

T
=   1 n 1m
(R n  R m ) =  R nm
1 n ,m

  R n = S,
1n

nghĩa là, theo định nghĩa, S là quan hệ T-bắc cầu.

Rõ ràng ta có R  S và do đó ta chỉ còn cần chứng minh là S là nhỏ nhất trong các quan
hệ T-bắc cầu chứa R. Giả sử Q là quan hệ T-bắc cầu bất kỳ chứa R. Khi đó, ta có

T T
R2 = R  R  Q  Q  Q.

T T
Bằng quy nạp, giả sử Rn  Q, ta suy ra Rn+1 = R  Rn  Q  Q  Q. Do vậy, với mọi n, ta
thu được Rn  Q. Điều này kéo theo kết luận S =  1n
R n  Q, t.l. S là nhỏ nhất trong
những quan hệ mờ Q như vậy và do đó, theo định nghĩa, S = RT. 

Định lý 3.6.4-4. Giả sử R là quan hrrj mờ phản xạ trên tập U hữu hạn n phần tử, n  2.
Khi đó, ta có
RT = Rn-1.

Chứng minh: Vì R là phản xạ, ta có E  R, trong đó E là ma trận đơn vị. Khi đó, R = E
T T
 R  R  R = R . Từ đó suy ra rằng R  R
2 n n+1
, với mọi số nguyên n.

Trước khi chứng minh tiếp, để dễ hiểu ta nhắc lại một tính chất của các phép t-norm T.
Do tính chất kết hợp của T ta có thể viết T(a1, T(a2, a3)) = T(a1, a2, a3) và do đó, theo quy
nạp, ta cũng có T(a1, a2, …, am) = T(a1, T(a2, a3, …, am)), ai  [0, 1]. Dựa vào các tính chất
của t-norm ta có thể thấy rằng

T(a1, …, ai-1, ai, ai+1, …, am)  T(a1, …, ai-1, ai+1, …, am), (3.6-43)

tức là khi bỏ bớt một toán hạng thì hàm T không giảm. Thực vậy, do tính đơn điệu của T, tính
chất T(a, 1) = a và tính giao hoán, ta có
T(a1, …, ai-1, ai, ai+1, …, am)  T(a1, …, ai-1, 1, ai+1, …, am)
73
 = T(a1, …, ai-1, ai+1, …, am, 1)
= T(T(a1, …, ai-1, ai+1, …, am),1)
= T(a1, …, ai-1, ai+1, …, am),

t.l. ta thu được công thức (3.6-43).

Bây giờ ta chứng tỏ rằng Rn = Rn-1 hay Rn(u, v) = Rn-1(u, v), với u, v  U, ở đây n = |U|.
Với u = v, ta có 1  Rn-1(u, u)  Rn(u, u)  1, hay Rn(u, u) = Rn-1(u, u). Giả sử rẳng u  v. Theo
công thức (3.6-41) ta có

Rn(u, v) = sup z1,...,zn1 T ( R(u, z1 ), R( z1 , z2 ),...,R( zn1 , v)) .

Do n = |U|, dãy các phần tử u = z0, z1, z2, …, zn-1, zn = v phải có hai phần tử bằng nhau,
chẳng hạn zi = zj, với 0  i < j  n. Khi đó, dựa vào (3.6-43) và (3.6-41), ta thu được

T ( R(u, z1 ),...,R( zi1 , zi ),...,R( z j , z j 1 ),...,R( zn1 , v))

 T ( R(u, z1 ),...,R( zi1 , zi ), R( z j , z j 1 ),...,R( zn1 , v))
 Rk(u, v) (với k  n  1)
 R (u, v).
n-1

Từ bất đẳng thức này và (3.6-41), ta suy ra Rn(u, v)  Rn-1(u, v), với u, v  U, t.l. ta có Rn 
Rn-1. Như vậy, ta đã chứng minh rằng Rn = Rn-1. Điều này kéo theo đẳng thức Rm = Rn-1, với
mọi m  n. Vậy, (3.6-42) dẫn đến đẳng thức RT = Rn-1. 

2) Phép hợp thành inf T trên các quan hệ mờ

Cho phép t-norm T, phép kéo theo liên kết với T, JT, được định nghĩa trong Mục 3.6.2 là

JT(s, t) = sup {u  [0, 1] : T(s, u)  t} (3.6-44)

Giả sử P và Q là hai quan hệ mờ xác định tương ứng trên U  V và V  W. Phép hợp
T
thành inf T , ký hiệu là  , trên các quan hệ mờ 2-ngôi được định nghĩa như sau

T
(P  Q)(u, w) = inf v  V JT(P(u, v), Q(v, w)) (3.6-45)

với mọi (u, w)  U  W.

T
Phép hợp thành  có các tính chất sau:

Định lý 3.6.4-5. Cho các quan hệ mờ P(U, V), Q(V, W), R(U, W) và S(W, Z). Khi đó,

(i) Các khẳng định sau là tương đương

T
P  Q  R; (3.6-46)
74
 T
Q  Pt  R ; (3.6-47)
T
P  (Q  Rt)t ; (3.6-48)

T T T T
(ii) Ta có: P  (Q  S) = (P  Q)  S. (3.6-49)

Chứng minh: (i) Theo Định lý 3.6.2-1, ta có

T(P(u, v), Q(v, w))  R(u, w) nếu và chỉ nếu JT(P(u, v), R(u, w))  Q(v, w),

với mọi u  U, v  V và w  W. Từ đây ta suy ra

supv  VT(P(u, v), Q(v, w))  R(u, w) nếu và chỉ nếu supu  UT(Pt(v, u), R(u, w))  Q(v, w).

Nghĩa là, (3.6-46) và (3.6-47) là tương đương.

Để chứng minh (3.6-48), ta hãy viết lại (3.6-46) theo từng điểm (u, w), u  U, w  W,
như sau

supv  VT(P(u, v), Q(v, w))  R(u, w).

Biểu thức này tương đương với supv  VT(Qt(w, v), Pt(v, u))  Rt(w, u), t.l. ta có

T
Qt  Pt  Rt. (3.6-50)

Áp dụng sự tương đương giữa (3.6-46) và (3.6-47), ta suy ra (3.6-50) tương đương với (3.6-
48) và do đó (3.6-48) tương đương với (3.6-46).

(ii) là hệ quả trực tiếp của khẳng định (iii), Định lý 3.6.2-1, nói rằng JT(T(s, t), u) =
JT(s, JT(t, u)), với mọi s, t, u  [0, 1]. 

Định lý 3.6.4-6. Cho các quan hệ mờ P(U, V), Pj(U, V), Q(V, W) và Qj(V, W), với j  J.
Khi đó,
T T
( jJ
Pj )  Q =  jJ
( Pj  Q) , (3.6-51)

T T
( jJ
Pj )  Q   jJ
( Pj  Q) , (3.6-52)

T T
P (  jJ
Qj ) =  jJ
(P  Q j ) , (3.6-53)

T T
P (  jJ
Qj )   jJ
(P  Q j ) . (3.6-54)

75
 Chứng minh: Các khẳng định tương ứng được suy ra trực tiếp từ các khẳng định (vii),
(vi), (ix) và (viii) trong Định lý 3.6.2-1. 

T
Sau đây ta phát biểu định lý về tính đơn điệu của phép hợp thành  .

Định lý 3.6.4-7. Cho các quan hệ mờ P(U, V), Q1(V, W), Q2(V, W) và R(U, W). Khi đó,
nếu Q1  Q2, thì

T T T T
P  Q1  P  Q2 và Q1  R  Q2  R.

Chứng minh: Do Q1  Q2, ta có Q1  Q2 = Q1 và Q1  Q2 = Q2. Áp dụng (3.6-53) ta

thu được
T T T T
(P  Q1)  (P  Q2) = P  (Q1  Q2) = P  Q1.

Đẳng thức này chứng minh tính đúng đắn của bao hàm thứ nhất phát biểu trong định lý.

Bằng cách tương tự, ta có thể chứng minh bao hàm thức thứ hai dựa vào (3.6-51). 

T
Các định lý về phép hợp thành  là cơ sở để chứng minh định lý sau mà sẽ có vai trò
quan trọng trong việc giải các phương trình quan hệ.

Định lý 3.6.4-8. Cho các quan hệ mờ P(U, V), Q(V, W) và R(U, W). Khi đó, ta có

T T
Pt  ( P  Q)  Q, (3.6-55)
T T
R  P  (P  R), t
(3.6-56)
T T
P  (P  Q)  Qt, (3.6-57)
T T
R  (R  Qt)  Q . (3.6-58)

T T
Chứng minh: Một cách hiển nhiên ta có P  Q  (Pt)t  Q. Thiết lập tương ứng các
biểu thức con của biểu thức này với công thức (3.6-47) và chuyển về dạng công thức tương
T
đương (3.6-46) ta thu được (3.6-55). Một cách tương tự, từ công thức hiển nhiên đúng Pt  R
T
 Pt  R, khi thiết lập tương ứng với công thức (3.6-46) và áp dụng công thức (3.6-47) tương
đương với nó, ta thu được (3.6-56).
T T T
Bây giờ ta lấy chuyển vị ma trận của (3.6-55) ta thu được [Pt  ( P  Q)]t  Qt. Do (R 
T T T
S)t = St  Rt, với mọi quan hệ R và S, ta có ( P  Q)t  P  Qt. Lại thiết lập công thức con
của công thức này tương ứng với công thức con của (3.6-46) và thay thế vào cônt thức tương
đương (3.6-47) ta thu được (3.6-57).
Công thức (3.6-58) rõ ràng suy ra trực tiếp từ (3.6-57). 

Ta có nhận xét là nếu các dấu bao hàm trong (3.6-55) và (3.6-56) là dấu đẳng thức thì có
thể xem hai phép hợp thành sup-T và inf-T là đối của nhau. Tuy nhiên, ở đây chúng ta chỉ có
76
dấu bao hàm nhưng chúng cũng thể hiện mối liên hệ giữa hai phép hợp thành. Vì vậy, ta có
thể xem chúng là đối của nhau theo nghĩa “yếu” như vậy.

T
Bây giờ ta trở lại việc giải phương trình (3.6-38), P  Q = R, khi cho trước các quan hệ Q
và R.

T
Định lý 3.6.4-9. Nếu đối với phương trình (3.6-38) ta có S(Q, R)  , thì P* = (Q  Rt)t
là lớn nhất trong S(Q, R).

T
Chứng minh: Lấy một nghiệm P’  S(Q, R), t.l. P’  Q = R. Theo sự tương đương của
công thức (3.6-46) và (3.6-48) ta có

T
P’  (Q  Rt)t = P*.

T T T
Vấn đề còn lại là chứng minh P*  S(Q, R). Đặt S = (Q  Rt)t  Q = P*  Q và, do đó, St
T T
= Qt  (Q  Rt). Theo (3.6-55) của Định lý 3.6.4-8, ta thu được St  Rt hay S  R. Mặt
T T T
khác, S = P*  Q  P’  Q = R và do đó S = P*  Q = R, nghĩa là P* là nghiệm của
phương trình (3.6-38). 

Từ định lý trên ta thấy để phương trình (3.6-38) có nghiệm hay điều kiện cần và đủ là

T T
(Q  Rt)t  Q = R.

Ví dụ: Xét phương trình (3.6-38) với phép t-norm T là phép nhân số học và Q và R được
cho như sau:
 0,1   0,12 
   
Q =  0,2  và R =  0,18 
 0,3   0,27 
   
Khi đó,
1,0 1,0 1,0 
 0,1   
T   T  
(P*) = Q  R =  0,2   (0,12 0,18 0,27) =
t t
 0,6 0,9 1,0 
 0,3   
   0,4 0,6 0,9 
 

1,0 0,6 0,4 

 
 
Hay, P* = 1,0 0,9 0,6  .
 
1,0 1,0 0,9 
 

77
 1,0 0,6 0,4 
   0,1   0,12 
T   T    
Kiểm chứng ta thấy P*  Q =  1,0 0,9 0,6    0,2  =  0,18  ,
   0,3   0,27 
1,0 1,0 0,9     
 

nghĩa là S(Q, R)   và P* là nghiệm lớn nhất.

Định lý 3.6.4-10. Giả sử P’, P”  S(Q, R). Khi đó,

(i) Điều kiện P’  P  P” kéo theo P  S(Q, R);

(ii) P’  P”  S(Q, R), trong đó  là phép hợp ứng với t-conorm max.

T T T T
Chứng minh: (i) Do R = P’  Q  P  Q  P”  Q = R, ta suy ra P”  Q = R,
T
t.l. P  S(Q, R). (ii) Theo tính chất (iv) của phép hợp thành sup-T, ( jJ Pj )  Q =
T


T T T
( Pj  Q) , ta có (P’  P”)  Q = (P’  Q)  (P”  Q) = R  R = R. Điều này
jJ

chứng tỏ P’  P”  S(Q, R). 

3.6.4.5. Lập luận với phƣơng trình quan hệ dựa trên các phép hợp thành infI-T

Xét phương trình quan hệ

T
P  Q=R (3.6-59)

trong đó phép hợp thành sup-T được thay bằng phép hợp thành infI-T liên kết với phép t-
norm T và P, Q và R là các quan hệ mờ xác định trên các không gian hữu hạn, nghĩa là
chúng được biểu diễn dưới dạng ma trận.

Tương tự như đối với mục trên, cho trước P và R, ta ký hiệu S(Q, R) là tập tất cả các
nghiệm P của phương trình (3.6-59). Cho đến nay chưa có phương pháp nào xác định được
tất cả các nghiệm tối tiểu, nhưng nghiệm tối đại được xác định bởi định lý sau:

T
Định lý 3.6.4-11. Nếu S(Q, R)  , thì P* = R  Qt là nghiệm lớn nhất trong S(Q, R).

T T
Chứng minh: Lấy một nghiệm bất kỳ P  S(Q, R), t.l. P  Q = R. Xét biểu thức R 
t
Q và dựa vào công thức (3.6-57), đối với mọi P và Q, ta có

T T T
P* = R  Qt = (P  Q)  Qt  P. (3.6-60)

78
 T
Theo công thức (3.6-58) và kết hợp Định lý 3.6.4-7 về tính đơn điệu của  với (3.6-60), ta
thu được

T T T
R  (R  Qt)  Q  P  Q = R.

T T T
Do vậy, P*  Q = (R  Qt)  Q = R, nghĩa là P* là nghiệm lớn nhất trong S(Q, R). 

Nhận xét: Như là một hệ quả của định lý trên, phương trình (3.6-59) có nghiệm nếu và
T T
chỉ nếu ta có (R  Qt)  Q = R.

Ví dụ: Giả sử phép t-norm T trong (3.6-59) là phép nhân số học và hai quan hệ mờ Q và
R được cho như sau:
 0,1 0,6   0,20 1,0 
Q =   và R =  
 0,25 1,0  .
0,8 0,9 
   
Khi đó,
 0,20 1,0   0,1 0,8   0,5 0,9 
P* = R  Qt =       
T T

0,25 1,0   0,6 0,9  =  0,4 0,9 

     

Kiểm chứng bằng việc thay P* vào phương trình (3.6-59) ta thấy

 0,5 0,9  T  0,1 0,8   0,20 1,0 

      
 0,4 0,9   0,6 0,9  =  0,25 1,0  ,
     

nghĩa là P* là nghiệm và là nghiệm lớn nhất của S(Q, R).

T T
Do (P  Q)t  Qt  Pt, bài toán tìm nghiệm P của phương trình (3.6-59) không thể
chuyển trực tiếp về bài toán tìm nghiệm Q khi cho trước P và R. Ký hiệu S(P, R) là tập tất cả
các nghiệm của bài toán sau, khi đó nghiệm tối tiểu trong S(P, R) được xác định bởi định lý
sau. Tiếc là cho đến nay chúng ta chưa có phương pháp tìm các nghiệm tối đại trong S(Q, R).

T
Định lý 3.6.4-12. Nếu S(P, R)  , thì Q* = Pt  R là nghiệm nhỏ nhất trong S(P, R).

T T
Chứng minh: Lấy nghiệm tùy ý Q  S(P, R), t.l. P  Q = R. Xét biểu thức Pt  R và
dựa vào (3.6-55), đối với mọi quan hệ P và Q, ta có

T T T
Q* = Pt  R = Pt  (P  Q)  Q (3.6-61)

79
 T
Mắt khác, theo công thức (3.6-56) và Định lý 3.6.4-7 về tính đơn điệu của  , từ (3.6-61) ta
thu dược
T T T T
R  P  (Pt  R) = P  Q*  P  Q = R.

T
Do vậy, P  Q* = R và, do (3.6-51) nghiệm Q* là nhỏ nhất. 

Tương tự như đối với tập nghiệm S(Q, R), ta cũng dễ dàng chứng minh các tính chất
tương tự đối với tập S(P, R) như sau:

1) Nếu Q’, Q”  S(P, R), thì điều kiện Q’  Q  Q” kéo theo Q  S(P, R);

2) Nếu Q’, Q”  S(P, R), thì Q’  Q”  S(P, R).

Ví dụ: Giả sử phép t-norm T trong phương trình (3.6-59) là phép nhân số học và hai quan
hệ P và R được cho như sau

 0,5 0,9   0,20 1,0 

P =   và R =  
 0,25 1,0  .
0,4 0,9 
   
Nhớ rằng P ở đấy chính là nghiệm của bài toán trong ví dụ trước.

Khi đó,

 0,5 0,4   0,20 1,0   0,100 0,5 

Q* = Pt  R =       
T T

0,9 0,9   0,25 1,0  =  0,225 0,9  .

     

Thay Q* vào phương trình (3.6-59), ta có

 0,5 0,4   0,100 0,5   0,20 1,0 

P  Q =       
T T

0,9 0,9   0,225 0,9  =  0,25 1,0  .

     

Vậy, Q* là nghiệm nhỏ nhất trong S(P, R) của phương trình (3.6-59).

3,6.4.6. Nghiệm xấp xỉ của phƣơng trình quan hệ

Xét phương trình quan hệ

T
P  Q = R (3.6-62)

Nhìn chung, với Q và R cho trước, (3.6-62) không có nghiệm và, do đó, bài toán đặt ra là hãy
nghiên cứu vấn đề nghiệm xấp xỉ của phương trình trên.
80
 Ý tưởng về nghiệm xấp xỉ như sau.

Giả sử phương trình (3.6-62) không có nghiệm. Khi đó, ta biến đổi một chút các quan hệ
mờ Q và R thành quan hệ Q’ và R’ sao cho phương trình

T
P  Q’ = R’ (3.6-63)

trở nên có nghiệm. Một cách tự nhiên, chúng ta xem các nghiệm của (3.6-63) là các nghiệm
xấp xỉ của (3.6-62) nếu chúng thỏa mãn một số điều kiện hợp lý nào đó. Ý tưởng này gợi ý
cho chúng ta đưa ra định nghĩa sau đây:

Định nghĩa 3.6.4-1. Một quan hệ mờ P~ được gọi là nghiệm xấp xỉ của (3.6-62) nếu các
điều kiện sau thỏa mãn:

(i) Tồn tại các quan hệ Q’  Q và R’  R sao cho

T
P~  Q’ = R’ . (3.6-64)

T
(ii) Nếu có những quan hệ P”, Q” và R” sao cho Q  Q”  Q’, R’  R”  R và P” 
Q” = R”, thì Q” = Q’ và R” = R’.

Để hiểu ý nghĩa của định nghĩa này, ta hãy viết phương trình quan hệ (3.6-62) theo điểm
như sau,
supv  VT(P(u, v), Q(v, w)) = R(u, w) (3.6-65)

Khi đó, có thể thấy ý nghĩa của điều kiện (i) là: Vì phương trình (3.6-62) không có nghiệm,
nghĩa là có những điểm tại đó dấu đẳng thức trong (3.6-65) phải thay bằng dấu nhỏ hơn „<‟,
và do đó muốn phương trình quan hệ có nghiệm thì hoặc là phải thay thế Q bằng quan hệ lớn
hơn, hoặc phải thay thế R bằng quan hệ nhỏ hơn, hoặc cả hai trường hợp. Ý nghĩa của (ii) ró
ràng hơn: R’ và Q’ tương ứng phải gần R và Q nhất nếu chúng tồn tại.

Để làm sáng tỏ, ta đưa ra ví dụ sau.

Ví dụ: Xét phương trình

 0,1 0,3 
P  
T

0,2 0,4 

= 0,5 0,6 .  (3.6-66)
 
T
trong đó  là phép hợp thành sup-tích đại số. Ta tính quan hệ

t
  0,1 0,3  T  0,5  
T   

P* = (Q  R ) =   0,2 0,4    0,6   = 1,0 1,0 .
t t

   
Do

81
  0,1 0,3   0,1 0,3 
P*  
T
 = 1,0 1,0  
0,2 0,4 
 
 0,2 0,4  =
 T
0,2 0,4  1,0 1,0 ,    
   

theo Định lý 3.6.4-9, ta suy ra phương trình quan hệ (3.6-66) đã cho không có nghiệm.

Bây giờ cúng ta đi tìm nghiệm xấp xỉ của phương trình (3.6-66). Giả sử ta giảm R thành
T
R’ = (0,2 0,4). Khi đó, nếu phương trình thu được có nghiệm thì nó phải có dạng P~ = (Q 
R’t)t và có thể kiểm chứng thấy ta cũng có P~ = (1,0 1,0), và

 0,1 0,3   0,1 0,3 


~
P  
T

0,2 0,4 
= 1,0 1,0
T

 
0,2 0,4 
 
 = 0,2 0,4 ,  
   

nghĩa là P~ là nghiệm của (3.6-66). Giả sử có R” = (r1 r2) sao cho R’  R”  R và phương
trình sau
 0,1 0,3 
P*   
T
= R”
0,2 0,4 
 
có nghiệm P” = (p1 p2). Khí đó, ta có hệ phương trình

max{0,1p1, 0,2p2} = r1,

max{0,3p1, 0,4p2} = r2.

Hệ này chỉ có nghiệm chỉ khi r1  0,2 và r2  0,4, nghĩa là chỉ khi R”  R’. Vậy R” = R’,
và, theo định nghĩa, P~ là nghiệm xấp xỉ của phương trình (3.6-66). Hơn nưac, có thể kiểm
chứng là bất kỳ quan hệ (a 1,0), với a  [0, 1], đều là nghiệm xấp xỉ của (3.6-66) và do đó
nghiệm xấp xỉ không duy nhất.

 0,1 0,3 
Bây giờ ta tìm nghiệm xấp xỉ khi tăng Q thành Q’ =  
. Khi đó, dạng nghiệm của
0,5 0,6 
 
T
phương trình P’  Q’ = R là

t
  0,1 0,3  T  0,5  
 T
 
P’ = (Q’  R ) =   0,5 0,6    0,6   = 1,0 1,0 .
~ t t
 
   
Kiểm chứng ta thấy

 0,1 0,3   0,1 0,3 

P’~  
T

0,5 0,6 
= 1,0 1,0   
0,5 0,6 

= 0,5 0,6 ,
T
 
   

T
nghĩa là P’~ đúng là nghiệm của phương trình P’  Q’ = R. Giả sử có quan hệ Q” = (qjk) sao
T
cho Q  Q”  Q’ và có tồn tại nghiệm P” = (p1 p2) của phương trình mới P  Q” = R. Từ

82
hệ thức Q  Q”  Q’ ta suy ra q11 = 0,1, q12 = 0,3, 0,2  q21  0,5 và 0,4  q22  0,6. Thay
vào phương trình ta có

 0,1 0,3 
T
(p1 p2)  
 
q22 
= 0,5 0,6 ,  
 q21

hay chúng ta có

max{0,1p1, q21p2} = 0,5,

max{0,3p1, q22p2} = 0,5.

Suy ra, q21p2 = 0,5 và q22p2 = 0,6 và do đó ta phải có q21  0,5 và q22  0,6. Điều này
chứng tỏ Q”  Q’, và ta thu được Q” = Q’. Theo Định nghĩa 3.6.4-1, P’~ = (1,0 1,0) là
nghiệm xấp xỉ của (3.6-66).

Từ ví dụ này ta thấy không chỉ nghiệm xấp xỉ của một phương trình quan hệ là không
duy nhất mà cả các quan hệ bị biến đổi R’ và Q’ cũng không duy nhất.

Một câu hỏi đặt ra là nghiệm xấp xỉ về sự tồn tại của một phương trình quan hệ bất kỳ?

Định lý 3.6.4-13. Phương trình quan hệ (3.6-62) luôn luôn có nghiệm xấp xỉ và P~ = (Q
T
t t
 R ) là nghiệm xấp xỉ lớn nhất.

T
Chứng minh: Trước hết chúng ta chứng tỏ rằng P~ = (Q  Rt)t thỏa các điều kiện của
T T T
Định nghĩa 3.6.4-1. Chọn Q’ = Q và R’ = (Q  Rt)t  Q. Khi đó, hiển nhiên ta có P~  Q
= R’. Ta còn cần kiểm tra xem liệu R  R’. Từ hệ thức (3.6-55) ta suy ra

T T T T
R’ = (Q  Rt)t  Q = [Qt  (Q  Rt)]t  (Rt)t = R, (3.6-67)

nghĩa là điều kiện (i) thỏa mãn.

Bây giờ ta kiểm tra điều kiện (ii). Giả sử rằng có tồn tại Q”, R” và P” sao cho Q  Q”  Q’,
T T T
R’  R”  R và P”  Q” = R”. Vì Q’ = Q, ta có P”  Q = R”, nghĩa là phương trình P 
T
Q = R” có nghiệm. Theo Định lý 3.6.4-9, P* = (Q  R”t)t là nghiệm và là phần tử lớn nhất
T T
trong S(Q, R”). Vì nó là nghiệm nên ta có (Q  R”t)t  Q = R”. Do R’  R”  R, ta có hệ
thức
T T T
Q  R’t  Q  R”t  Q  Rt. (3.6-68)

Mặt khác, để ý đến vế trái của bao hàm thức trong (3.6-67) và hệ thức (3.6-56), ta có

T T T T T
Q  R’t = Q  [Qt  (Q  Rt)]  Q  Rt.

83
 T T
Kết hợp với (3.6-68) ta thu được Q  R”t = Q  Rt và, do đó, ta có

T T T T
R” = (Q  R”t)t  Q = (Q  Rt)t  Q = R’.

Như vậy, ta đã chứng tỏ rằng điều kiện (ii) thỏa mãn và P~ là nghiệm xấp xỉ của (3.6-62).

Ta còn cần chứng tỏ rằng P~ là nghiệm lớn nhất. Thực vậy, giả sử P’ là một nghiệm xấp
T
xỉ của (3.6-62), nghĩa là có tồn tại Q’, R’ sao cho Q  Q’, R’  R và P’  Q = R’. Khi đó,
T
theo Định lý 3.6.4-9, P’  (Q’  R’t)t và, do tính đơn điệu (giảm theo biến thứ nhất, tăng
T T T
theo biến thứ hai) của  , ta có (Q’  R’t)t  (Q  Rt)t = P~. Nghĩa là, P’  P~. 

3.6.5. Lâ ̣p luâ ̣n xấ p xỉ đa điề u kiêṇ

Nhìn chung ý tưởng của phương pháp lập luận xấp xỉ là thiết lập cách tính kết luận từ
mô ̣t tâ ̣p các tri thức da ̣ng luâ ̣t (mê ̣nh đề nế u -thì) và các sự kiện, dựa trên lý thuyế t tâ ̣p mờ . Tri
thức càng đầ y đủ thì kế t luâ ̣n đ ược tính càng phù hợp với thực tiễn hơn . Trong các quy tắ c
lâ ̣p luâ ̣n trình bày trong các Mu ̣c 3.6.1 và 3.6.2, tiề n đề chỉ chứa mô ̣t luâ ̣t và vì vâ ̣y đôi khi
chúng ta gọi là phương pháp lập luận mờ đơn điều kiện (fuzzy single conditional reasoning
method). Trong mu ̣c này chúng ta nghiên cứu phương pháp lâ ̣p luâ ̣n dựa vào nhiều luâ ̣t và
đươ ̣c go ̣i là phương pháp lâ ̣p luâ ̣n mờ đa điề u liê ̣n (fuzzy multiple conditional reasoning
method). Từ “mờ” trong thuâ ̣t ngữ này đôi khi đươ ̣c bỏ qua cho go ̣n.

Phương pháp lâ ̣p luâ ̣n đa điề u kiê ̣n đươ ̣c mô tả bằ ng lươ ̣c đồ sau:

Tiền đề 1: Nếu X là A1, thì Y là B1

Tiền đề 1: Nếu X là A2, thì Y là B2
........... (3.6-69)
Tiền đề n: Nếu Y là An, thì Y là Bn
Sự kiê ̣n: X là A’, .

Kết luận: Y là B’

trong đó, X và Y là các biến ngôn ngữ với các không gian tham chiếu hay không gian cơ sở
tương ứng là U và V, còn Ai, Bi, A’ và B’, với i = 1, 2, …, n, là những nhãn ngôn ngữ của các
tâ ̣p mờ xác đinh
̣ trên các không gian tham chiế u U hoă ̣c V. Tâ ̣p n luâ ̣t phát biể u trong các tiề n
đề trên được gọi là mô hình mờ vì nó mô tả hay mô hình hóa mối quan hệ giữa hai đại lươ ̣ng
đươ ̣c mô tả bằ ng các biế n X và Y bằ ng các tâ ̣p mờ .

Bấ t kỳ phương pháp nào cho phép tiń h kế t luâ ̣n B’ từ các tiề n đề và sự kiê ̣n trong (3.6-69)
đươ ̣c go ̣i là mô ̣t phương pháp lâ ̣p luâ ̣n xấ p xỉ đa điề u kiê ̣n.

Vì chúng ta đang nằm trong môi trường thông tin không chắc chắn, mờ, nên sẽ không có
một phương pháp lập luận chính xác và duy nhất. Mối phương pháp sẽ xuất phát từ một quan
sát trực quan nào đó. Vì vậy, nhìn chung chúng ta sẽ có một số cách giải bài toán lập luận
xấp xỉ.

84
 Bây giờ chúng ta nghiên cứu mô ̣t số phương pháp lâ ̣p luâ ̣n xấ p xỉ đa điề u kiê ̣n.

3.6.5.1. Phƣơng pháp dựa trên quy tắc modus ponens

Phương pháp này dựa trên ý tưởng xem n luật trong mô hình mờ được liên kết với nhau
bằng phép tuyển (disjuctive) hoặc phép hội (conjunctive). Như vậy ta có thể áp dụng quy tắc
modus ponens cho từng luật sau đó kết nhập (aggregate) các kết luận thu được đối với từng
luật.

1) Mô hình mờ đƣợc coi là tuyển của các luật

Phương pháp này bao gồm các bước sau:

Bước 1: Chọn một phương pháp thống nhất tính quan hệ mờ Rj(u, v) = J(Aj(u), Bj(v)) để
biểu thị ngữ nghĩa của các luật trong (3.6-69). Khi đó, với dữ liệu đầu vào A’ và với mỗi luật
thứ j, j = 1, 2, …, n, kết luận trung gian B’j được tính theo quy tắc modus ponens tổng quát

T
B’j = A’  R, hay B’j(v) = supuU T(A’(u), J(Aj(u), Bj(v))).

Bước 2: Biểu thị phép hội liên kết các luật bằng phép t-norm chuẩn, t.l. phép hợp tập mờ,
ta tính kết luận B’ theo công thức

B’ =  1 j  n
B 'j , hay

B’(v) = max1jn supuU T(A’(u), J(Aj(u), Bj(v))), v  V. (3.6-70)

Trong trường hợp phép kéo theo được định nghĩa bởi Mamdani, J(Aj(u), Bj(v)) =
min{Aj(u), Bj(v)}, và T là phép t-norm chuẩn, t.l. phép min, công thức trên sẽ trở thành

B’(v) = max1jn supuU min{A’(u), min[Aj(u), Bj(v)]}

= max1jn supuU min{min[A’(u), Aj(u)], Bj(v))}
= max1jn min{supuU min[A’(u), Aj(u)], Bj(v))}
= max1jn min{high(A’  Aj), Bj(v))} (3.6-71)

trong đó high(.) là chiều cao của một tập mờ. Giá trị high(A’  Aj) có thể được xem là độ
tương hợp của dữ liệu đầu vào A’ với tiền tố Aj của luật thứ j.

Với những giả thiết giới hạn như trên, từ công thức (3.6-71) ta thu được một phương
pháp lập luận đơn giản hơn như sau:

Bước 1: Vì các luật trong (3.6-69) là các “điểm tựa” tri thức để chúng ta suy luận, nên
với giá trị đầu vào A’ ta hãy tính độ tương hợp giữa A’ và các tiền tố Aj của luật thứ j, j = 1, 2,
…, n, bằng công thức

85
 rj(A’) = high(A’  Aj) = supuU min{A’(x), Aj(x)}.

Bước 2: Vì độ tương hợp là rj(A’), kết luận suy ra được dựa vào luật thứ j sẽ là B’j =
min{rj(A’), Bj}, t.l. B’j là tập mờ Bj bị cắt ngọn sao cho chiêu cao của phần còn lại là rj(A’).

Bước 3: Vì sự liên kết các luật trong (3.6-69) đã được xem như là phép tuyển, kết luận
suy ra được từ n luật sẽ được tính bằng công thức

B’ = 1 j  n
B 'j

Giới hạn các tập mờ hình tam giác, phương pháp lập luận xấp xỉ như vậy có thể được
biểu thị trong Hình 3.6-2, trong đó mô hình mờ chỉ chứa 2 luật.

1 1
r1(A’)

A1 A’ U B1 V
Luật 1

1 1

r2(A’)

A2 A’ U B2 V
Luật 2

1 1

A’ U V
B’1  B’2
Luật 2

Hình 3.6-2

2) Mô hình mờ đƣợc coi là hội của các luật

Phương pháp lập luận trong trường hợp này hoàn toàn tương tự như trên, chỉ khác biệt ở
Bước 2 như sau:

86
 Bước 2’: Vì mô hình mờ được xem là hội của các luật nên kết luận B’ được tính bằng
giao của các kết luận trung gian B’j như sau

B’ =  1 j  n
B 'j , hay

B’(v) = min1jn supuU T(A’(u), J(Aj(u), Bj(v))), v  V. (3.6-72)

Giới hạn phép kéo theo được xác định bởi Mamdani và T là phép t-norm chuẩn, t.l. phép
min, ta có công thức tính B’ như sau

B’(v) = min1jn supuU min{A’(u), min[Aj(u), Bj(v)]}

= min1jn supuU min{min[A’(u), Aj(u)], Bj(v))}
= min1jn min{supuU min[A’(u), Aj(u)], Bj(v))}
= min1jn min{high(A’  Aj), Bj(v))} (3.6-73)

3.6.5.2. Phƣơng pháp lập luận dựa vào việc mô hình hóa toán học của mô hình mờ

Mô hình mờ (3.6-69) biểu thị tri thức chuyên gia trong một lĩnh vực ứng dụng nào đó.
Khi xem nó như là một đối tượng chung, không tách rời, ta có nhu cầu mô hình hóa nó bằng
một đối tượng toán học, cụ thể là bằng một quan hệ mờ. Với cách nhìn đó, ta xây dựng một
phương pháp lập luận như sau:

Bước 1: Tương tự như Bước 1 trong Mục 3.6.5.1, mỗi luật trong mô hình mờ được biểu
thị bằng một quan hệ Rj(u, v) = J(Aj(u), Bj(v)). Để xác định quan hệ mờ biểu diễn mô hình
mờ (3.6-69), chúng ta thực hiện việc kết nhập (aggregate) các quan hệ Rj(u, v) bằng phép t-
conorm chuẩn hay phép hợp các tập mờ:

R(u, v) = 1 j n
R j (u, v) . (3.6-74)

Bước 2: Hình 3.6-3 thể hiện mô hình mờ (3.6-

69) được biểu thị bằng quan hệ mờ R và, tương tự A’ R(u, v) B’ =
như trường hợp quy tắc modus ponens, kết luận B’ Mô hình toán học
T

được tính theo qua tắc suy luận hợp thành: của (3.6-69) A’  R

T Hình 3.6-3
B’ = A’  R.

Nhìn chung có sự khác biệt lớn giữa phương pháp lập luận xấp xỉ ở đây với phương pháp
được trình bày trong Mục 3.6.5.1. Tuy nhiên, trong những điều kiện hạn chế chúng lại đồng
nhất với nhau. Thực vậy, cũng như trên, ta giả thiết phép kéo theo được xác định là
T
Mamdani, phép  là phép hợp thành sup-min, kết luận B’ được tính như sau

B’(v) = supuU min{A’(u), R(u, v)}

= supuU min{A’(u), max1jn min[Aj(u), Bj(v)]}

87
 = max1jn supuU min{A’(u), min[Aj(u), Bj(v)]}
= max1jn supuU min{min[A’(u), Aj(u)], Bj(v)]}
= max1jn min{supuU min[A’(u), Aj(u)], Bj(v))}
= max1jn min{high(A’  Aj), Bj(v))}
= max1jn B’j(v)

Vậy,
B’ = A’ o R =  1 j  n
B 'j

trong đó B’j là phần tập mờ Bj bị cắt ngọn với chiều cao còn lại là high(A’  Aj). Điều này
chứng tỏ B’ cũng tính được từ phương pháp lập luận dựa trên quy tắc modus ponens.

Chú ý: Trong trường hợp chúng ta xem các luật của mô hình mờ đƣợc liên kết bằng phép
hội, quan hệ mờ R trong công thức (3.6-74) sẽ được tính theo công thức sau

R(u, v) =  1 j n
R j (u, v) . (3.6-75)

Nhìn chung, cho đến nay, cho một mô hình mờ (3.6-69) và một cách biểu thị ngữ nghĩa
J(Aj(u), Bj(v)) của các luật trong mô hình, chung ta có 4 cách tính kết luận đầu ra B’ như sau:

T T
(1) 1 B'  A'  (1 j n R j ) (2) 2 B'  A'  (1 j n R j )
T T
(3) 3 B'  1 j  n A'  R j (4) 4 B'  1 j  n A'  R j

T
Trong trường hợp phép t-norm T của phép hợp thành  là phép min, mối quan hệ giữa 4
phương pháp lập luận như vậy được thiết lập trong định lý sau:

T
Định lý 3.6.5-1. Nếu phép hợp thành  là sup-min, ta có 2B’  4B’  1B’ = 3B’.

Chứng minh: Xét công thức tính 4B’:

4B’(v) = min 1≤ j ≤n (A’ o Rj)(v)

= min 1≤ j ≤n supuU min [A’(u), Rj(u, v)]
 supuU min 1≤ j ≤n min [A’(u), Rj(u, v)]
= supuU min [A’(u), min 1≤ j ≤n Rj(u, v)]
= supuU min [A’(u), ( 1 j n R j )(u, v)]
T
= ( A'  (1 j n R j ) )(v) = 2B’(v).

Như vậy chúng ta đã chứng tỏ rằng 2B’  4B’.

T
Tiếp theo, ta thấy rằng A‟ o Rj  A'  (1 j n R j ) , với mọi j: 1 ≤ j ≤ n. Do vậy,

88
 T T
4 B'  1 j  n A'  R j  A'  (1 j  n R j ) = 1B’.

Cuối cùng, ta xét 1B’:

1B’(v) = supuU min [A’(u),  1 j n

R j (u, v) ]

= supuU max 1≤ j ≤n min [A’(u), Rj(u, v)]

= max 1≤ j ≤n supuU min [A’(u), Rj(u, v)]
T
= (1 j n A'  R j )(v) = 3B’(v).

Như vậy, định lý đã được hoàn toàn chứng minh. 

Ví dụ: Xét mối quan hệ giữa hai biến ngôn ngữ áp suất AS và nhiệt độ NĐ trong hệ thống
điều khiển phân phối chất lỏng trong một nhà máy. Giả sử nhiệt độ nằm trong giới hạn
[400;1000] theo đơn vị psi và nhiệt độ trong giới hạn [130;140] độ F.
Giả thiết rằng quan hệ giữa hai đại lượng này tuân theo các luật của mô hình mờ sau:

Nếu NĐ := rất cao thì AS := cao

(3.6-76)
Nếu NĐ := thấp thì AS := khá thấp

Tập mờ biểu thị ngữ nghĩa của các giá trị ngôn ngữ của hai biến ngôn ngữ được đặc trưng
bởi các hàm thuộc sau:

Nhiệt độ rất cao = 0,0/134 + 0,0/135 + 0,2/136 + 0,4/137 + 0,7/138 + 1,0/139

Nhiệt độ thấp = 1,0/134 + 0,8/135 + 0,6/136 + 0,4/137 + 0,2/138 + 0,0/139

Áp suất cao = 0,0/400 + 0,2/600 + 0,4/700 + 0,6/800 + 0,8/900 + 1,0/1000

Áp suất khá thấp = 1,0/400 + 0,9/600 + 0,8/700 + 0,6/800 + 0,4/900 + 0,0/1000

1) Câu hỏi đặt ra là hãy tính áp suất của chất lỏng tương ứng với nhiệt độ là cao được đặc
trưng bởi hàm thuộc sau:

Nhiệt độ cao = 0,0/134 + 0,2/135 + 0,4/136 + 0,6/137 + 0,8/138 + 1,0/139

Giải: Ta sẽ tính áp suất ứng với nhiệt độ đầu vào A’ = cao bằng 4 phương pháp trên:

Trước hết chúng ta tính các quan hệ mờ biểu thị hai luật trong (3.6-76).

Giả sử rằng quan hệ mờ Ri, i = 1, 2, được tính dựa theo phép kéo theo Zadeh, R(u, v) =
T
max{min[A(u), B(v)], 1 – A(u)} và  là phép hợp thành sup-min. Khi đó,

89
 1,0 1,0 1,0 1,0 1,0 1,0  1,0 0,9 0,8 0,6 0,4 0,0 
   
1,0 1,0 1,0 1,0 1,0 1,0   0,8 0,8 0,8 0,6 0,4 0,2 
   
 0,8 0,8 0,8 0,8 0,8 0,8   0,6 0,6 0,6 0,6 0,4 0,4 
   
R1(u, v) =  0,6 0,6 0,6 0,6 0,6 0,6  ; R2(u, v) =  0,6 0,6 0,6 0,6 0,6 0,6  .
   
 0,3 0,3 0,4 0,6 0,7 0,7   0,8 0,8 0,8 0,8 0,8 0,8 
   
 0,0 0,2 0,4 0,6 0,8 1,0  1,0 1,0 1,0 1,0 1,0 1,0 
   

1,0 0,9 0,8 0,6 0,4 0,0 

 
 0,8 0,8 0,8 0,6 0,4 0,2 
 
 0,6 0,6 0,6 0,6 0,4 0,4 
T  
2 B'  A'  (1 j n R j ) = (0,0 0,2 0,4 0,6 0,8 1,0) o  0,6 0,6 0,6 0,6 0,6 0,6 
 
 0,3 0,3 0,4 0,6 0,7 0,7 
 
0,0 0,2 0,4 0,6 0,8 1,0 
 

= (0,6 0,6 0,6 0,6 0,8 1,0)

Đối với 4B’, ta tính

1,0 1,0 1,0 1,0 1,0 1,0 
 
1,0 1,0 1,0 1,0 1,0 1,0 
 
 0,8 0,8 0,8 0,8 0,8 0,8 
 
A’ o R1 = (0,0 0,2 0,4 0,6 0,8 1,0) o  0,6 0,6 0,6 0,6 0,6 0,6 
 
 0,3 0,3 0,4 0,6 0,7 0,7 
 
 0,0 0,2 0,4 0,6 0,8 1,0 
 

= (0,6 0,6 0,6 0,6 0,8 1,0)

1,0 0,9 0,8 0,6 0,4 0,0 

 
 0,8 0,8 0,8 0,6 0,4 0,2 
 
 0,6 0,6 0,6 0,6 0,4 0,4 
 
và A’ o R2 = (0,0 0,2 0,4 0,6 0,8 1,0) o  0,6 0,6 0,6 0,6 0,6 0,6 
 
 0,8 0,8 0,8 0,8 0,8 0,8 
 
1,0 1,0 1,0 1,0 1,0 1,0 
 

= (1,0 1,0 1,0 1,0 1,0 1,0)

T
Vậy, 4 B'  1 j  n A'  R j = (0,6 0,6 0,6 0,6 0,8 1,0)

90
Bây giờ ta tính 1B’ = 3B’:
1,0 1,0 1,0 1,0 1,0 1,0 
 
1,0 1,0 1,0 1,0 1,0 1,0 
 
 0,8 0,8 0,8 0,8 0,8 0,8 
T  
1 B'  A'  (  1 j  n
R j ) = (0,0 0,2 0,4 0,6 0,8 1,0) o  0,6

0,6 0,6 0,6 0,6 0,6 

 0,8 0,8 0,8 0,8 0,8 0,8 
 
1,0 1,0 1,0 1,0 1,0 1,0 
 

= (1,0 1,0 1,0 1,0 1,0 1,0)

2) Xét dữ liệu đầu vào nhiệt độ là thấp được đặc trưng bởi hàm thuộc sau:

Nhiệt độ thấp = 1,0/134 + 0,8/135 + 0,6/136 + 0,4/137 + 0,2/138 + 0,0/139

Tương tự như trên, ta tính

1,0 0,9 0,8 0,6 0,4 0,0 
 
 0,8 0,8 0,8 0,6 0,4 0,2 
 
 0,6 0,6 0,6 0,6 0,4 0,4 
T  
2 B'  A'  (1 j n R j ) = (1,0 0,8 0,6 0,4 0,2 0,0) o  0,6 0,6 0,6 0,6 0,6 0,6 
 
 0,3 0,3 0,4 0,6 0,7 0,7 
 
0,0 0,2 0,4 0,6 0,8 1,0 
 

= (1,0 0,9 0,8 0,6 0,4 0,4)

Đối với 4B’, ta tính:

1,0 1,0 1,0 1,0 1,0 1,0 
 
1,0 1,0 1,0 1,0 1,0 1,0 
 
 0,8 0,8 0,8 0,8 0,8 0,8 
 
A’ o R1 = (1,0 0,8 0,6 0,4 0,2 0,0) o  0,6 0,6 0,6 0,6 0,6 0,6 
 
 0,3 0,3 0,4 0,6 0,7 0,7 
 
 0,0 0,2 0,4 0,6 0,8 1,0 
 

= (1,0 1,0 1,0 1,0 1,0 1,0)

91
 1,0 0,9 0,8 0,6 0,4 0,0 
 
 0,8 0,8 0,8 0,6 0,4 0,2 
 
 0,6 0,6 0,6 0,6 0,4 0,4 
 
và A’ o R2 = (1,0 0,8 0,6 0,4 0,2 0,0) o  0,6 0,6 0,6 0,6 0,6 0,6 
 
 0,8 0,8 0,8 0,8 0,8 0,8 
 
1,0 1,0 1,0 1,0 1,0 1,0 
 

= (1,0 0,9 0,8 0,6 0,4 0,4)

T
Vậy, 4 B'  1 j  n A'  R j = (1,0 1,0 1,0 1,0 1,0 1,0)  (1,0 0,9 0,8 0,6 0,4 0,4)

= (1,0 0,9 0,8 0,6 0,4 0,4).

Bây giờ ta tính 1B’ = 3B’:

1,0 1,0 1,0 1,0 1,0 1,0 

 
1,0 1,0 1,0 1,0 1,0 1,0 
 
 0,8 0,8 0,8 0,8 0,8 0,8 
T  
1 B'  A'  ( 1 j  n
R j ) = (1,0 0,8 0,6 0,4 0,2 0,0) o  0,6

0,6 0,6 0,6 0,6 0,6 

 0,8 0,8 0,8 0,8 0,8 0,8 
 
1,0 1,0 1,0 1,0 1,0 1,0 
 

= (1,0 1,0 1,0 1,0 1,0 1,0)

Lưu ý: Trong nhiều bài toán, chúng ta đòi hỏi dữ liệu đầu ra là giá trị thực nên chúng ta
cần áp dụng một phương pháp khử mờ nào đó để chuyển dữ liệu đầu ra là tập mờ về giá trị
thực. Trong ví dụ trên, nếu cần thiết ta có thể biến đổi tập mờ của dữ liệu đầu ra thành giá trị
thực thuộc miền tham chiếu [134;140] của biến ngôn ngữ áp suất bằng một phương pháp khử
mờ được trình bày trong Mục 3.3.10.

3.6.5.3. Phƣơng pháp lập luận xấp xỉ đa điều kiện, nhiều biến

Trong mục các trên chúng ta đã nghiên cứu các phương pháp lập luạn xấp xỉ trong đó
phần tiền tố của luật (mệnh đề nếu-thì) chí có một biến ngôn ngữ. Trong mục này chúng ta sẽ
đề cập đến phương pháp lập luận trên các luật mà phần tiền tố có nhiều biến ngôn ngữ tham
gia và chúng được liên kết lôgic bằng các phép VÀ hay HOẶC. Như vậy, chúng ta có thể có
các trường hợp sau:

Dạng tiền tố hội: NẾU X1 là A1 VÀ … VÀ Xm là Am THÌ Y là B

92
 Phương pháp lập luận đối với dạng này ta có thể được xây dựng bằng việc đưa về phương
pháp đối với trường hợp tiền tố chỉ có một biến, nhờ thay tiền tố nhiều biến bằng mệnh đề X*
là A*, với

A* = A*1  A*2  …  A*m (3.6-77)

trong đó, A*i là mở rộng hình trụ của tập mờ Ai trong tích Đề-các U1  …  Um, nghĩa là A*i
là một tích Đề-các chỉ có riêng thành phần thứ i là Ai còn các thành phần còn lại là toàn
không gian Uj, j  i, và hàm thuộc của nó là

A*(u1, u2, …, um) = min{A1(u1), A2(u2), …, Am(um)}.

Dạng tiền tố tuyển: NẾU X1 là A1 HOẶC … HOẶC Xm là Am THÌ Y là B

Tương tự như trên, nhưng A* được tính theo công thức

A* = A*1  A*2  …  A*m (3.6-78)

với hàm thuộc là

A*(u1, u2, …, um) = max{A1(u1), A2(u2), …, Am(um)}.

Mệnh đề với NẾU KHÔNG và TRỪ KHI

Những mệnh đề điều kiện có chứa NẾU KHÔNG hay TRỪ KHI có cấu trúc lôgic cho
phép chuyển về dạng quen biết và do đó chugs ta có thể sử dụng các phương pháp lập luận
xấp xỉ đã trình bày ở trên.

(1) Mệnh đề

NẾU X là A THÌ (Y là B1 NẾU KHÔNG B2)

có thể phân tách thành các mệnh đề điều kiện quen biết được liên kết với nhau bằng HOẶC
như sau:

NẾU X là A THÌ Y là B1
HOẶC
NẾU X là KHÔNG A THÌ Y là B2

(2) Mệnh đề

NẾU X là A1 THÌ Y là B TRỪ KHI X là A2

cũng như trên, có thể phân tách thành các mệnh đề điều kiện quen biết được liên kết với
nhau bằng HOẶC như sau:

93
 NẾU X là A1 THÌ Y là B
HOẶC
NẾU X là A2 THÌ Y là KHÔNG B

(3) Mệnh đề

NẾU X1 là A1 THÌ Y là B NẾU KHÔNG (NẾU X2 là A2 THÌ Y là B2)

có thể phân tách thành

NẾU X là A1 THÌ Y là B
HOẶC
NẾU X là KHÔNG A1 VÀ X2 là A2 THÌ Y là B2

Dạng mệnh đề điều kiện kết tổ

Trong thực tế ta cũng thường gặp các mânhj đề dạng sau

NẾU X1 là A1 THÌ (NẾU X2 là A2 THÌ Y là B)

có thể viết thành mệnh đề dạng sau

NẾU X1 là A1 VÀ X2 là A2 THÌ Y là B

3.6.5.4. Phƣơng pháp lập luận xấp xỉ bằng đồ thị

Phương pháp lập luận bằng đồ thị không có ý nghĩa trong tính toán máy tính nhưng nó có
ý nghĩa cho việc chúng ta trực tiếp tính toán bằng tay trong việc thiết lập các ví dụ để kiểm
tra tính đúng đắn của lôgic chương trình máy tính và cho chính việc trình bày và lĩnh hội nội
dung của giáo trình này.

Xét một mô hình mờ nhiều biến hay còn gọi là một hệ luật sau (để đơn giản trong trình
bày chúng ta giới hạn chỉ 2 biến đầu vào):

NẾU X1j là A1j VÀ X2j là A2j THÌ Y là Bj, j = 1, 2, …, n. (3.6-79)

Chúng ta giới hạn phương pháp lập luận đồ thị với những giả thiết sau:

- Các tập mờ đều ở dạng tam giác hay hình thang;

- Các luật trong (3.6-79) liên kết bằng phép tuyển hoặc hội;
- Quan hệ mờ được định nghĩa dựa trên phép kéo theo Mamdani;
- Phép hợp thành là sup-min.

94
 Với những giả thiết trên ta có thể xây dựng một phương pháp lập luận đồ thị khá đơn
giản và dễ dàng thực hiện tính toán trực tiếp bằng tay.

Trước hết, chúng ta hãy thiết lập công thức tính tập mờ kết luận khi cho biết tập mờ đầu
vào A1’ và A2’.

Với phép hợp thành sup-min:

B’(v) = (A1’  A2’) o R(u1, u2, v)

= supu1U1, u2U2 min{min[A1’(u1), A2’(u2)], max1jn Rj(u1, u2, v)}

= supu1U1, u2U2 max1jn min{min[A1’(u1), A2’(u2)], Rj(u1, u2, v)}

= max1jn supu1U1, u2U2 min{min[A1’(u1), A2’(u2)], Rj(u1, u2, v)}

= max1jn (A1’  A2’) o Rj(u1, u2, v) = max1jn B’j (3.6-80)

Công thức (3.6-80) chứng tỏ rằng, với những điều kiện phép hợp thành là sup-min và liên
kết các luật là tuyển, thì kết luận B’ có thể được tính theo kết quả lập luận đối với từng luật:
B’j = (A1’  A2’) o Rj(u1, u2, v), trong đó Rj(u1, u2, v) là quan hệ mờ biểu diễn ngữ nghĩa của
luật thứ j.

Ta hãy viết tường minh biểu thức giải tích của (3.6-80) với Rj tính theo Mamdani:

B’(v) = max1jn supu1U1, u2U2 min{min[A1’(u1), A2’(u2)], min[A1j(u1), A2j(u2), Bj(v)]}

= max1jnsupu1U1, u2U2 min{min[A1’(u1), A1j(u1)], min[A2’(u2), A2j(u2)], Bj(v)}

= max1jn supu1U1 sup u2U2 min{min[A1’(u1), A1j(u1)], min[A2’(u2), A2j(u2)], Bj(v)}

= max1jn min{supu1U1 min[A1’(u1), A1j(u1)], sup u2U2 min[A2’(u2), A2j(u2)], Bj(v)}

(3.6-81)

Phân tích biểu thức chứa sup trong vế phải của đẳng thức cuối cùng trong (3.6-80) ta thấy,
biểu thức supu1U1min[A1’(u1), A1j(u1)] xác định chiều cao của tập mờ A1’A1j,
high(A1’A1j). Một cách tương tự, supu1U1min[A2’(u1), A2j(u1)] xác định chiều cao
high(A2’A2j) của tập mờ A2’A2j. Do vậy, (3.6-81) trở thành biểu thức sau

B’(v) = max1jn min{min[high(A1’A1j), high(A2’A2j)], Bj(v)} (3.6-82)

Ký hiệu hj = min[high(A1’A1j), high(A2’A2j)], biểu thức min[hj, Bj(v)], với v  V, xác

định phần của tập mờ Bj, Bj, bị cắt cụt ngọn, có chiều cao còn lại là hj. Vậy, B’ được tính theo
công thức sau
B’ = B1  B2  …  Bn (3.6-83)

95
Vì các tập mờ ở dạng tam giác hay hình thang, biểu thức (3.6-83) cho ta một phương pháp
lập luận bằng đồ thị có thể tính trực tiếp bằng tay như sau:

Bước 1. Với mỗi j = 1, …, n,

(i) Tính chiều cao của các hình tam giác hay hình thang A1’A1j và A2’A2j. Lấy hj là
chiều cao thấp nhất trong các chiều cao đã tính.
(ii) Cắt phần ngọn của hình tam giác hay hình thang Bj sao cho phần còn lại Bj của nó có
chiều cao là hj.

Bước 2. Lấy hợp của các tập hợp Bj, j = 1, …, n, ta thu được tập mờ kết luận B’.

A11 A12 A’2 B1

A’1
h1 min

B2
h2
min
A21 A’1 A22 A’2

B1
B2

Hình 3.6-4

Hình 3.6-4 là một ví dụ giải tích cách tính tập mờ két quả dựa trên phương pháp lập luận
đồ thị. Ở ví dụ này, hệ luật (3.6-79) có 2 luật và dữ liệu đầu vào của hệ là cặp tập mờ tam
giác (A’1, A’2). Ứng với Bước 1, đối với j = 1, ta lấy giao của hai tam giác A11 và A’1 và giao
của A12 và A’2, và min của chiều cao của hai tam giác thu được là h1. Cắt ngọn tam giác B1 ta
thu được hình thang có chiều cao là h1 được tô bằng các đường gạch song song với hai đáy.
Một cách tương tự, đối với j = 2, ta thu được hình thang với chiều cao là h2 bằng cách cắt
ngọn tam giác B2. Hợp của hai hình thang kết quả là hình được đánh dấu bằng các đường
gạch song song với cạnh đáy. Nếu cần thiết biến đổi tập mờ kết quả về giá trị thức, ta có thể
sử dụng một trong các phương pháp khử mờ được trình bày trong Mục 3.3.10.

Chú ý: Trong trường hợp dữ liệu đầu vào là các tam giác (A’1, A’2) suy biến thành các
giá trị thực, t.l. hàm thuộc của chúng là hàm đặc trưng chỉ khác không tại giá trị thực đó thì
các bước của phương pháp lập luận đồ thị vẫn vận dụng được đúng đắn.

3.7. Ứng dụng lôgic mờ

96
 Cũng như lý thuyết tập mờ, mặc dù lôgic mờ không phải là một lý thuyết nhất quán và có
một cấu trúc chặt chẽ nhưng đó cũng là một đặc trưng và là sức mạnh của lôgic mờ vì chúng
ta sử dụng nó như là một công cụ toán học để mô phỏng thế giới thực muôn hình muôn vẻ, từ
thế giới tự nhiên đến xã hội, nghĩa là nó cho phép mô phỏng những vấn đề không có cấu trúc
hoặc cấu trúc yếu. Vì vậy, lôgic mờ có thể tìm thấy những ứng dụng trong mọi lĩnh vực của
cuộc sống chúng ta và vì vậy, ngày nay, nhiều khi người ta sử dụng thuật ngữ “công nghệ
lôgic mờ - fuzzy logic technology”. Để làm sáng tỏ việc ứng dụng phương pháp luận của
lôgic mờ trong giáo trình này, chúng ta nghiên cứu một ví dụ ứng dụng lôgic mờ trong điều
khiển và tham khảo vài bài toán ứng dụng trong một vài lĩnh vực khác nhau được trình bày
trong cuốn “Fuzzy logic with engineering applications”5.

3.7.1. Ứng dụng lôgic mờ trong bài toán điều khiển con lắc ngược

Lôgic mờ có nhiều ứng dụng quan trọng trong các hệ điều khiển, từ điều khiển các quá
trình trong các nhà máy công nghiệp, trong ô tô đến các thiết bị thường dùng như máy ảnh,
máy quay video, máy giặt … Bài toán điều khiển trong các ứng dụn đa dạng như vậy có thể
được được khái quát hóa chung thành một hệ điều khiển. Một hệ điều khiển có thể xem như
là một tổ hợp các thành phần vật lý được thiết kế và lắp ráp để có thể thực hiện chức năng
biến đổi, điều chỉnh hay tác động một lệnh điều khiển một hệ thống vật lý khác để nó đạt
được một trạng thái hay một hành vi mong muốn nào đó. Hành vi của một hệ điều khiển có
thể được mô hình hóa toán học bằng các hệ phương trình vi phân bậc n kiểu sau:

d n y(t )  dy(t ) d n1 y(t ) 

n
 w
 t , y (t ), ,..., n 1
, u (t )  (3.7-1)
dt  dt dt 

trong đó t là tham số thời gian, u(.) là hàm đầu vào, w(.) là một hàm phi tuyến và y(.) là giá
trị đầu ra hay sự phản ứng của hệ thống. Nếu ta đặt các hàm hỗ trợ mới

dy (t ) d n 1 y (t )
x1(t) = y(t), x2(t) = , …, xn(t) = (3.7-2)
dt dt n 1

ta sẽ thu được một hệ n phương trình vi phân bậc 1 sau:

dx1 (t ) dx n 1 (t ) dxn (t )
 x 2 (t ) , …,  x n (t ) ,  w(t , x1 (t ),...,xn (t ), u (t )) (3.7-3)
dt dt dt

Để ứng dụng lôgic mờ trong điều khiển, một số giả thiết được đặt ra:

(1) Đối tượng điều khiển phải quan sát được và điều khiển được, nghĩa là biến đầu vào và
biến đầu ra là phải được quan sát, đo được hay tính toán được;
(2) Có tồn tại một tri thức hiểu biết về quá trình điều khiển bao gồm một tri thức chuyên
gia dưới dạng các luật ngôn ngữ, một tập dữ liệu vào/ra đo được, một mô hình giải
tích có thể mờ hóa và từ đó có thể trích ra các luật;
(3) Sự tồn tại nghiệm;

5
Cuốn sách này của tác giả Timothy J. Ross ở Đại học Tổng hợp New Mexico, do nhà xuất bản McGraw-Hill,
Inc., New York St. Louis San Francisco Auckland Bogota Caracas Lisbon London Madrid Mexico City
Milan Montreal New Delhi San Juan Singapore Sydney Tokyo Toronto
97
 (4) Các kỹ sư điều khiển chỉ cần tìm kiếm các lời giải “đủ tốt”, không nhất thiết tối ưu;
(5) Bài toán điều khiển được giải trong giới hạn các tri thức có được và trong mức độ
chính xác chấp nhận được.

Với các giả thiết trên, bài toán điểu khiển có thể được chuyển về bài toàn điều khiển mờ
dựa trên lôgic mờ với các phương pháp lập luận xấp xỉ.

Chúng ta hãy xét bài toán điều khiển con lắc ngược, một bài toán điều khiển kinh điển
làm ví dụ minh họa. Bài toán này có nhiều ứng dụng trong thực tiễn để giữ ổn định một hệ
thống, như hệ thống pháo trên xe tăng bào đảm ổn định hương bắn khi chạy trên đụa hình
không phẳng, hệ nhà trọc trời được ổn định trong vùng có động đất, …

Một hệ điều khiển con lắc ngược được đơn giản hóa gồm các thành phần như trong Hình
3.7-1, với phương trình vi phân mô tả hệ thống được cho như sau

 ml 2 d 2 / dt 2  ml g sin  u(t ) (3.7-4)

trong đó m là khối lượng của điểm cực đặt tại đầu thanh con lắc, l là độ dài con lắc,  góc
lệch giữa trục tung và con lắc theo chiều kim đồng hồ, u(t) là mômen quay tác động vào điểm
cực (u(t) là tác động điều khiển), t là thời gian và g là gia tốc trọng trường.

Hàm hỗ trợ (3.7-2) trong trường hợp này là các biến trạng thái x1 =  và x2 = d/dt và hệ
(3.7-4) trở thành

dx1/dt = x2, dx2/dt = (g/l) sin(x1) – (1/ml2)u(t)

d/dt
Như chúng ta đã biết, với  = x1 nhỏ và tính theo đơn vị
radian,
m ta có sin(x1) = x1. Bây giờ ta thiết lập phương trình
 trạng thái tuyến tính hóa và rời rạc hóa theo thời gian với
m
việc đo x1 theo độ, đo x2 theo đơn vị độ/giây đồng thời
u chọn l = g và m = 180(.g2) và thu được hệ phương trình
vi phân ma trận đệ quy sau

x1(k + 1) = x1(k) + x2(k)

Hình 3.7-1: Bài toán điều
(3.7-5)
khiển con lắc ngƣợc
x2(k + 1) = x1(k) + x2(k) – u(k)

Giả sử miền xác định của các biến trạng thái được xác định trong các khoảng sau: - 2 
x1  2 và - 5 độ/gy  x2  5 độ/gy. Bài toán điều khiển mờ con lắc ngược được giải theo các
bước sau:

Bước 1: Xây dựng 3 hàm thuộc của tập mờ đối với biến x1 trên miền xác định của nó
tương ứng với các giá trị ngôn ngữ positive (P), zero (Z) và negative (N) như được chỉ ra
trong Hình 3.7-2. Tương tự, miền xác định của biến x2 được phân hoạch thành các tập mờ với
nhãn ngôn ngữ positive (P), zero (Z) và negative (N) và hàm thuộc của chúng được cho trong
Hình 3.7-3.

98
 Bước 2: Phân hoạch miền của biến điều khiển u bằng việc xây dựng 7 tập mờ với 5 tập
có nhãn ngôn ngữ là negative big (NB), negative (N), zero (Z), positive (P) và positive big
(PB) (hai tập mờ không sử dụng trong luật nên không nêu cụ thể nhãn ngôn ngữ), với hàm
thuộc được cho như trong Hình 3.7-4. Miền xác định của biến u
Bảng 3.7-1: Bảng FAM là khoảng -24  u(k)  24.

Bước 3: Tiếp theo chúng ta xây dựng hệ luật điều khiển với 9 luật được cho trong Bảng
3.7-1, gọi là bảng FAM (Fuzzy Associative Memory), cho bài toán ứng dụng của chúng ta:
giữ ổn định hệ thống con lắc ngược. Những giá trị ngôn ngữ trong bảng là các tác động điều
khiển u(k) vào con lắc ngược.
Z P
N

-2 -1 1 2 x1

Hình 3.7-2.
Phân hoạch mờ của x1

N Z P

-5 -4 -3 -2 -1 1 2 3 4 5 x2

Hình 3.7-3.
Phân hoạch mờ của x2

NB N Z P PB

-24 -20 -16 -12 -8 -4 4 8 12 16 20 24 u

Hình 3.7-4.
Phân hoạch mờ của u với 7 tập mờ

Bước 4: Dựa vào tri thức được cho trong Bảng FAM, chúng ta xây dựng việc mô phỏng
bài toán điều khiển giữ ổn định con lắc ngược. Phương pháp lập luận xấp xỉ trong ví dụ này
là phương pháp lập luận bằng đồ thị được trình bày trong Mục 3.6.5.4.

Giá trị ban đầu của trạng thái là x1(0) = 1 và x2(0) = - 4 độ/gy. Ta sẽ tính 4 chu kỳ mô
phỏng quá trình điều khiển ổn định con lắc ngược, t.l. với chu kỳ thời gian k = 0, 1, 2, 3. Quá

99
 x2 trình tính toán như sau: Với k = 0, dựa vào giá trị ban đầu ta xác
P Z N định nhãn các hàm thuộc tương ứng của hai biến x1 và x2 mà tại
x1
P PB P Z đó hàm thuộc có giá trị khác không để xác định xem các luật nào
được cho trong Bảng FAM được đốt cháy. Dựa vào các luật này
Z P Z N và sử dụng phương pháp lập luận đồ thị ta tính tập mờ của tác
N Z N NB động điều khiển u(k). Khử mờ tập mờ kết quả bằng phương pháp
trọng tâm ta thu được giá trị thực của u(k) và từ phương trình
(3.7-5) ta tính được giá trị của biến trạng thái cho chu trình k + 1, x1(k + 1) và x2(k + 1). Lấy
các giá trị này làm giá trị đầu vào của bước k := k + 1 và lặp lại quá trình tính toán trên.
Z P
N
0,5

-2 -1 x1 = 1 2 x1

Hình 3.7-5.
Phân hoạch mờ của x1

N Z P
0,8

0,2

-5 x2 = -4 -3 -2 -1 1 2 3 4 5 x2

Hình 3.7-6.
Phân hoạch mờ của x2

N Z P

-16 -12 -8 -4 4 8 12 16 u
u(0)  - 2
Hình 3.7-7.
Tập mờ kết quả của biến điều khiển u

Bây giờ chúng ta tính cụ thể cho từng chu kỳ.

- Chu kỳ k = 0: Dựa vào hình 3.7-2 và 3.7-3, giá trị khởi đầu x1(0) = 1 sẽ xác định các
tam giác suy biến và giao của nó với các tam giác Z và P của biến x1 sẽ có cùng độ cao là 0,5
và, tương tự, giao của “tam giác” x2(0) = - 4 độ/gy với tam giác N của biến x2 sẽ có độ cao là
0,8 và với tam giác Z sẽ có độ cao là 0,2. Với nhãn các hàm thuộc như vậy của x1 và x2 và
nhìn vào các luật được chỉ ra trong Bảng 3.7-1, ta thấy các luật sau sẽ được đốt cháy:

100
 NẾU x1 = P VÀ x2 = Z, THÌ u = P, với P bị cắt ngọn ở độ cao min(0,5, 0,2) = 0,2.

NẾU x1 = P VÀ x2 = N, THÌ u = Z, với Z bị cắt ngọn ở độ cao min(0,5, 0,8) = 0,5.

NẾU x1 = Z VÀ x2 = Z, THÌ u = Z, với Z bị cắt ngọn ở độ cao min(0,5, 0,2) = 0,2.

NẾU x1 = Z VÀ x2 = N, THÌ u = N, với N bị cắt ngọn ở độ cao min(0,5, 0,8) = 0,5.

Lấy hợp các tam giác P, Z và N bị cắt ngọn ta thu được tập mờ hình xác định bởi các
đường kẻ ngang đậm trong Hình 3.7-7, và khử mờ bằng phương pháp trọng tâm ta thu được
tác động thực u(0)  - 2. Dựa vào các phương trình đệ quy (3.7-5) với k = 0 ta thu được x1(1)
= 1 – 4 = -3, x2(1) = 1 – 4 – (-2) = -1.

- Chu kỳ k = 1: Một cách tương tự như đối với chu kỳ k = 0, nhưng với giá trị ban đầu là
x1(1) = -3 và x2(1) = -1 sẽ đốt cháy các luật sau (Hình 3.7-8 và 9):
Z P
N

x1 = -3 -2 1 x1
-1 2
Hình 3.7-8.
Phân hoạch mờ của x1
N Z P
0,8

0,2

-5 -4 -3 -2 x2 = -1 1 2 3 4 5 x2
Hình 3.7-9.
Phân hoạch mờ của x2

NẾU x1 = N VÀ x2 = N, THÌ u = NB, với NB bị cắt ngọn ở độ cao min(1,0, 0,2) = 0,2

NẾU x1 = N VÀ x2 = Z, THÌ u = N, với N bị cắt ngọn ở độ cao min(1,0, 0,8) = 0,8.

Hợp của các tập mờ tam giác NB và N bị cắt ngọn, ta thu được hình có các đường gạch ngang
đậm và khử mờ của nó có giá trị u(1)  -9,6 (Hình 3.7-10). Với giá trị này các giá trị ban đầu
cho chu kỳ sau sẽ được tính như sau

x1(2) = x1(1) + x2(1) = -3 + -1 = -4; x2(2) = x1(1) + x2(1) – u(1) = 5,6.

- Chu kỳ k = 2: Với các giá trị ban đầu trên, bằng cách tính tương tự như hai chu kỳ trên,
ta xác định được chỉ một luật được đốt cháy:

NẾU x1 = N VÀ x2 = P, THÌ u = Z, với Z bị cắt ngọn ở độ cao min(1,0, 1,0) = 1,0.

101
 Vì vậy tập mờ kết luận chỉ có một tập mờ tam giác Z và, tất nhiên, giá trị khử mờ của là u(2)
= 0,0 (xem tam giác Z trong Hình 3.7-10). Khi đó các giá trị ban đầu của chu kỳ 4 sẽ là x1(3)
= x1(3) = 1,6.

Chu kỳ 4: Với các giá trị ban đầu trên, các luật sau trong Bảng 3.7-1 sẽ được đốt cháy:

NẾU x1 = Z VÀ x2 = P, THÌ u = P, với P bị cắt ngọn ở độ cao min(0,25, 0,3) = 0,3

NẾU x1 = Z VÀ x2 = Z, THÌ u = Z, với Z bị cắt ngọn ở độ cao min(0,25, 0,7) = 0,25

NẾU x1 = P VÀ x2 = P, THÌ u = PB, với PB bị cắt ngọn ở độ cao min(0,75, 0,3) = 0,3

NẾU x1 = P VÀ x2 = Z, THÌ u = P, với P bị cắt ngọn ở độ cao min(0,75, 0,7) = 0,7.

NB N Z P PB

-24 -20 -16 -12 -4 4 8 12 16 20 24 u

u(1)  -9,6
Hình 3.7-10.
Tập mờ kết quả của biến điều khiển u

NB N Z P PB

-24 -20 -16 -12 -4 4 8 12 16 20 24 u

u(2)  -5,28
Hình 3.7-11.
Tập mờ kết quả của biến điều khiển u

Lấy hợp của 4 tập mờ đã cắt ngọn ta thu được tập mờ trong Hình 3.7-11 với các đường kẻ
ngang đậm và khử mờ bằng phương pháp trọng
e(k) tâm ta trhu được giá trị u(3) = 5,28.
7
6 Để đánh giá phương pháp, ta xét tiêu chuẩn
4 sai số độ lệch so với vị trí cân bằng
2
0
0 2 4 6 8 10k e(k )  x12 (k )  x22 (k ) .
Hình 3.7-12: Đồ thị sai số so với
vị trí cân bằng Trong Hình 3.7-12 là đồ thị sai số e(k) sau 9
chu kỳ điều khiển. Đồ thị thể hiện rằng phương
102
pháp điều khiển mờ cho phép giữ trạng thái của con lắc ngược quanh ví trí cân bằng với biên
độ chấp nhận được.

3.7.2. Giới thiệu ứng dụng của lôgic mờ trong một số lĩnh vực

Với đặc trưng mềm dẻo và linh hoạt trong việc mô phỏng các phương cách lập luận của
con người, lôgic mờ có khả năng ứng dụng to lớn và rộng
Bảng 3.7-2: Luật ngôn ngữ khắp, đặc biệt khả năng cài đặt trí tuệ vào trong các thiết
Số TT Input Input Output bị. Vì vậy, Zadeh đã từng dự đoán rằng lôgic mờ sẽ trở
luật e e u thành một bộ phận cấu thành của các thiết bị khi ông nói
“các thiết bị sẽ không còn được đánh giá được bằng sức
1 NS - PB ngựa mà bằng chỉ số thông minh IQ”. Bây giờ chúng ta
2 PS - PS có thể thấy rất nhiều thiết bị trong công nghiệp, trong tiêu
dùng … có ứng dụng lôgic mờ.

Trong Mục 3.7-1 chúng ta đã giới thiệu một ứng dụng khá cụ thể của lôgic mờ trong việc
giải một bài toán điều khiển và qua đó thấy cách thức tiếp cận tính toán mờ trong việc mô
phỏng quá trình lập luận của con người ứng dụng trong điều khiển dựa trên một hệ tri thức
luật của bài toán điều khiển đó. Để cung cấp một số hiểu biết cụ thể thêm về khả năng ứng
dụng của lôgic mờ, trong mục này chúng ta sẽ trình bày một giới thiệu ngắn về các ý tưởng
cài đặt tri thức dựa trên “công nghệ” lôgic mờ vào một số thiết bị cụ thể.

1) Bài toán điều khiển dựa trên lôgic mờ đối với huyết áp trong gây mê

Một ứng dụng của lôgic mờ là việc điều khiển mờ trị số huyết áp trung bình để đo độ sâu
của việc gây mê. Việc theo dõi bệnh nhân để bảo đảm án toàn trong quá trình gây mê sâu khá
phực tạp. Bác sỹ phụ trách gây mê phải theo dõi nhiều yếu tố như điều khiển sự cân bằng
dịch, sự lọc máu, việc sử dụng thuốc hỗ trợ trong quá trình gây mê, … Những yếu tố cần
theo dõi như vậy hiện nay không thể tự động hóa ngoại trừ vấn đề điều khiển huyết áp. Do
đó, nếu yếu tố theo dõi này tự động hóa được nó sẽ giải phóng được khỏi sự chăm sóc của
bác sỹ gây mê để họ tập trung vào điều khiển các yếu tố khác, và như vậy làm tăng tính an
toàn cho bệnh nhân.

Quá trình sinh học của việc gây mê là quá trình phức tạp và nó được mô tả toán học bằng
một hệ phi tuyến, có cấu trúc toán học thay đổi theo thời gian, với tham số thay đổi theo thời
gian. Vì vậy việc mô hình hóa có thể dựa vào lôgic mờ: thiết kế một hệ điều khiển dựa trên
tri thức luật. Tình mềm dẻo của cách tiếp cận sẽ được điều chỉnh thích ứng với ứng dụng dựa
trên qua trình thiết kế theo vòng lặp và các giá trị tham chiếu để xác định các hàm thuộc phù
hợp. Ngoài ra các luật điều khiển sẽ được xác định nhờ việc thử nghiệm và nhờ vào các sai
số thử nghiệm. Các luật điều khiển được xây dựng dựa trên giá trị sai số giữa giá trị trung
bình huyết áp thực đo và huyết áp mong muốn đạt tới và giá trị tích phân sai số.

103
 3 NB - PV Độ sâu của việc gây mê sẽ được điều khiển bởi việc
tiêm hoặc dẫn theo đường hô hấp một hỗn hợp thuốc,
4 PB - ZE trong đó phần lớn các thành phần hỗn hợp là làm giảm
5 ZE ZE PM huyết áp. Mối quan hệ giữa lượng thuốc điều khiển u(t)
và huyết áp được mô tả bằng một hệ phương trình phức
6 ZE PS PS tạp nhưng được chuyển đổi xấp xỉ thành một hệ luật ngôn
7 ZE NS PB
Bảng 3.7-3: Bảng FAM cho 9 luật của Bảng 3.7-2
8 - NB PV
e
9 - PB ZE NB NS ZE PS PB
e
NB PV PV PV PV PV\ZE
ngữ cho trong Bảng 3.7- 2, trong đó
NB là negative big, NS là negative NS PB\PV PB PB PB PB\ZE
small, ZE là zero, PS là positive ZE PV PB PM PS ZE
small, PB là positive big và PV là
positive very big. Từ Bảng 3.7-2 ta PS PS\PV PS PS PS PS\ZE
xây dựng bảng FAM được cho trong PB ZE\PV ZE ZE ZE ZE
Bảng 3.7-3, trong đó giá trị, chẳng
hạn, PB\PV ở hàng NS và cột NB
được hiểu là nếu chỉ cần e = NS thì u = PB, còn nếu chỉ cần e = NB thì u = PV.

Kết quả ứng dụng này được Meier R., J. Nieuwland và S. Hacisalihzade nghiên cứu và
công bố trên tạp chí IEEE Control Systems, Dec. 1992 và chỉ ra rằng việc cài đặt tri thức
bằng lôgic mờ vào thiết bị này là hiệu quả.

2) Bài toán ứng dụng lôgic mờ trong xử lý ảnh

Để thấy khả năng ứng dụng của lôgic mờ trong xử lý ảnh, chúng ta xét bài toán điều
khiển tự động tiêu cự cho camera 35mm, bộ điều khiển ổn định tự động hình ảnh cho camera
video và bộ điều chỉnh tự động hình ảnh máy TV.

(1) Bộ tiêu cự tự động cho camera 35 mm

Các nhà sản xuất camera lớn của Châu Á đã ứng dụng lôgic mờ để tự động quyết định lấy
tiêu cự vào vật thể nào trong miền ảnh và tự động lấy tiêu cự vào vật thể đó (Shingu T., Y.
Nishimori, Fuzzy-based automatic focusing system for compact camera, Proceeding of the
third international fuzzy systems association congress, Seatle, WA, pp436-439 (1989)). Cơ
sở để giải bài toán ứng dụng này như sau.

Đầu tiên ba điểm L (left), C (centre) và R (right) trên miền ảnh (Hình 3.7-13) được xác
định và được đo khoảng cách giữa chúng và camera. Các giá trị khoảng cách này và mối
quan hệ giữa các điểm đã xác định là cơ sở để hệ lôgic mờ quyết định tiêu cự mong muốn
nằm ở điểm nào và điều chỉnh tiêu cự vào điểm đó. Các luật điều khiển sử dụng trong mô
phỏng thực nghiệm được cho trong Bảng 3.7-4, trong đó Pl, Pc và Pr là các giá trị chỉ mức độ
phù hợp nếu chọn tương ứng các điểm L, C và R làm tiêu cự. Hệ luật điều khiển cài đặt thực
tến trong thiết bị tất nhiên sẽ phức tạp hơn nhiều.

104
 Bảng 3.7-4: Luật ngôn ngữ cho hệ tiêu cự tự động cho camera
1. Nếu C là gần thì Pc là cao
2. Nếu L là gần thì Pl là cao
3. Nếu R là gần thì Pr là cao
4. Nếu L là xa và C là trung bình và R là gần thì Pc là rất cao
5. Nếu L là gần và C là trung bình và R là xa thì Pc là rất cao

So sánh cảnh trong Hình 3.7-14(a) và (b) chúng ta thấy ở cảnh (a) đối tượng chính cần
lấy tiêu cự là L, trong khi ở cảnh (b) là ở trung tâm. Tuy nhiên trong cả hai hình mối quan hệ
giữa L, C và R đều tuân theo hệ thức L < C < R và do đó cả hai trường hợp chúng đều thỏa
các Luật 2 và 5 trong Bảng 3.7-4. Khi đó hệ điều chỉnh tiêu cự tự động sẽ quyết định dựa vào
giá trị cụ thể của L, C và R hay các hàm thuộc của chúng. Một cách tiếp cận tương tự, nếu sử
dụng lôgic 2-trị thì rõ ràng sẽ phức tạp hơn nhiều vì nó cần nhiều luật điều khiển hơn rất
nhiều. Đối với lôgic mờ chúng ta chỉ cần một số ít luật và phương pháp tính toán cũng trở
nên đơn giản.

 
 

L 
C

R  L

C
R

L
 C R

Hình 3.7-13 Hình 3.7-14(a) Hình 3.7-14(b)

Ba điểm cần đƣợc đo Cảnh với ba điểm Cảnh với ba điểm

(2) Ổn định hình ảnh của máy quay video camera

Việc phát triển sản xuất các máy video camera (camcorder) tiêu dùng gọn nhẹ dễ di
chuyển theo người cũng dẫn đến việc hình ảnh không ổn định, dễ bị rung do máy được cầm
tay thu hình. Các nhà sản xuất điện tử Châu Á đã ứng dụng lôgic mờ để phát triển một thiết
bị cho phép phân biệt và xác định các chuyển động của hình do tay cầm camera rung chứ
không phải sự chuyển động của bản thân vật thể. Loại sản phẩm này được đưa ra thị trường
năm 1990. Kết quả nghiên cứu được Egusa Y., H. Akahori, A. Morimura và N. Wakami
công bố trong công trình “An electronic video camera image stabilizer operated on fuzzy
theory”, IEEE international conference on fuzzy systems, (1992), pp. 851-858.

Đê giải quyết vấn đề này, một chip LSI (laser sensor image) được thích nghi cho nhiệm
vụ phát hiện các véctơ chuyển động và một hệ mờ được phát triển để quyết định xem liệu các
chuyển động đó là do tay rung gây ra hay không.

Để phát hiện chuyển động rung do tay cầm camera, khung hình được chia thành 4 vùng
để xác định véctơ chuyển động đại diện cho 4 vùng cùng với tốc độ chuyển động của chúng.
Mỗi một vùng như vậy lại được chia ra thành 30 miền con. Hai frame kế tiếp của máy quay
video trên mỗi miền con sẽ được đem ra so sánh để tính các giá trị sai khác không gian của
miền ấy. Lấy tổng 30 giá trị cảu mỗi vùng thứ i làm giá trị sai khác không gian chung gi. Mỗi

105
vùng sẽ có một véctơ dịch chuyển nào đó dẫn tới giá trị nhỏ nhất gi và đó là véctơ chuyển
động vi của vùng thứ i.

Lập luận lôgic mờ sẽ dựa vào các véctơ vi để phát hiện các rung động do tay người quay
gây ra. Trong trường hợp có những rung động như vậy và không có vật thể nào chuyển động
trong hình thì giá trị tối tiểu gi là nhỏ và hầu như gần bằng không (vì sự rung động chỉ gây ra
những dịch chuyển nhỏ). Trong trường hợp có vật thể dịch chuyển nhỏ trong khung hình và
tay cầm máy ổn định, miền có chứa vật thể dịch chuyển sẽ có giá trị sai khác không gian
khác biệt với các giá trị ở các miền xung quanh, tuy nhiên giá trị sai khác không gian chung
gi phải là nhỏ. Trong trường hợp đều có sự rung động do tay cầm gây ra và có các vật thể
chuyển động, giá trị tối tiểu gi sẽ phải lớn hơn so với trường hợp không có vật thể chuyển
động. Đấy là những tiêu chí để xác định các véctơ dịch chuyển do tay rung gây ra. Đạo hàm
theo thời gian của giá trị gi cũng là một giá trị đầu vào của hệ điều khiển.

Một ví dụ về một luật điều khiển là “Nếu cả 4 véctơ chuyển động hầu nhƣ song song với
nhau và đạo hàm theo thời gian của chúng là nhỏ, thì có sự rung động do tay cầm gây ra và
hƣớng dịch chuyển do rung gây ra là hƣớng chung của các véctơ chuyển động”.

Một khi hướng chuyển động do tay rung gây ra được xác định, khuôn hình trong vùng
đệm (buffer) sẽ được dịch chuyển theo hướng ngược lại để ổn định lại hình ảnh trong khuôn
hình.

Sản phẩm đã được đưa ra thị trường này là một minh chứng thuyết phục về tính khả dụng
của lôgic mờ nói riêng và lý thuyết tập mờ nói chung.

(3) Điều chỉnh chất lượng hình ảnh của máy TV

Năm 1990, máy TV có hệ suy luận mờ để điều khiển chất lượng hình ảnh đã được một
nhà sản xuất có tiếng Châu Á tung ra thị trường. Hệ này điều khiển độ tương phản, độ sáng,
sự điều biến tốc độ và độ sắc nét. Các tham số đầu vào của hệ là độ sáng môi trường xung
quanh (trong phòng chẳng hạn), và khoảng cách từ người xem đến màn hình. Độ sáng như
vậy có thể đo được bằng một bộ cảm biến, còn khoảng cách xác định được qua việc sử dụng
bộ điều khiển từ xa khi người xem bấm bật TV.

Nguyên lý cơ bản cho phép chế tạo một hệ như vậy là các luật điều khiển đủ để cho phép
điều khiển chất lượng hình ảnh TV có thể phát biểu bằng ngôn ngữ tự nhiên. Chẳng hạn ta có
luật “Nếu phòng đƣợc thắp đèn sáng và ngƣời xem ngồi ở xa, thì các đƣờng biên của ảnh
phải nét hơn và sáng sủa hơn”, hoặc, “Nếu người xem ngồi gần và ở trong phòng tối, thì độ
nét cần phải giảm, vì các thành phần tần số cao thường đi kèm với nhiễu”.

Trong thực tế số luật khá nhiều để việc điều chỉnh được mịn. Để làm ví dụ, trong Bảng
3.7-5 biểu thị một số luật điều khiển đề minh họa, trong đó từ “thường” là viết tắt của
“thường thường”. Thiết kế hàm thuộc trong các bài toán ứng dụng lôgic mờ cúng có vai trò
quan trọng. Trong ví dụ này, có 4 hàm thuộc cho biến ngôn ngữ độ sáng, 3 hàm thuộc cho
biến khoảng cách và 7 hàm thuộc cho biến đầu ra. Phương pháp lập luận xấp xỉ dựa trên quy
tắc hợp thành max-min và khử mờ theo trọng tâm.

Sản phẩm tiêu dùng có cài đặt bộ điều chình tự động dựa trên suy luận mờ (fuzzy
inference) một lần nữa chỉ ra khả năng to lớn của “công nghệ lôgic mờ”.
106
Bảng 3.7-5: Luật ngôn ngữ cho việc điều chỉnh tự động chất lƣợng
hình ảnh của máy TV
Độ sáng của Khoảng cách từ
phòng TV đến người xem
Sáng Tối Xa TB Gần
Độ tương phản lớn nhỏ lớn TB nhỏ
Độ sáng lớn nhỏ - thường -
Điều biến tốc độ lớn nhỏ lớn TB nhỏ
Độ nét lớn nhỏ - thường -

107